Upload
anonymous-cyxds4
View
120
Download
18
Embed Size (px)
DESCRIPTION
Inteligentni Sistemi Podrske Odlucivanju
Citation preview
UNIVERZITET U ISTO ČNOM SARAJEVU EKONOMSKI FAKULTET U BR ČKOM
Mr Lazar K. Radovanović
INTELIGENTNI SISTEMI PODRŠKE POSLOVNOM
ODLUČIVANJU
- doktorska disertacija -
Brčko, septembar 2009.
UNIVERZITET U ISTO ČNOM SARAJEVU EKONOMSKI FAKULTET U BR ČKOM
Mr Lazar K. Radovanović
INTELIGENTNI SISTEMI PODRŠKE POSLOVNOM
ODLUČIVANJU
- doktorska disertacija -
Mentor: dr Rade Stankić, redovni profesor
Brčko, septembar 2009.
INTELIGENTNI SISTEMI PODRŠKE POSLOVNOM ODLUČIVANJU
APSTRAKT
U disertaciji je istražena uloga, značaj i mogućnost primjene inteligentnih sistema podrške u poslovnom odlučivanju. Prilikom donošenja poslovnih odluka donosilac odluke oslanja se na iskustvo, intuiciju i različite informacije koje mogu da budu rezultat obrade podataka, prikupljanja i stvaranja novih informacija i znanja pomoću klasičnih i inteligentnih sistema.
Donošenje poslovnih odluka predstavlja proces koji se u poslovnim sistemima odvija svakodnevno na svim nivoima poslovanja i upravljanja. Pri odlučivanju donosilac odluke može da se koristi intuitivnim ili racionalnim pristupom. Za razliku od intuitivnog pristupa, u kojem se ne koriste podaci, informacije i znanje koji su rezultat funkcionisanja informacionog sistema, racionalni pristup odlučivanju bazira se na egzaktnom poreñenju raspoloživih alternativa i korišćenju podataka, informacija, znanja i modela koji mogu da budu rezultat ili sastavni dio inteligentnih sistema poslovnog odlučivanja. Inteligentni sistemi podrške poslovnom odlučivanju omogućavaju donosiocima odluka objedinjavanje intuitivnog i racionalnog pristupa odlučivanju i ne isključuju donosioca odluke iz procesa odlučivanja.
Da bi se postigao osnovni cilj istraživanja bilo je neophodno da se prouče teorijska i praktična saznanja i dostignuća u oblasti poslovnog odlučivanja, komunikacionih tehnologija i sistema vještačke inteligencije. Odluka je rezultat saznanja i razumijevanja strukture i suštine problema koji odlukom treba da se riješi. Poznavanje strukture problema omogućava da se odluka donese algoritamskim pristupom, pa se procedure procesa odlučivanja mogu programirati i primijeniti klasični sistemi obrade podataka. Klasični informacioni sistem ne predstavlja dovoljnu podršku poslovnom odlučivanju jer se informacije koje pruža odnose na prošle poslovne dogañaje. Inteligentni sistemi podrške odlučivanju mogu takve informacije da pretoče u znanje i na taj način pruže podršku donosiocu odluke u nastojanju da pronañe najbolje rješenje.
U stohastičkim, otvorenim i dinamičkim sistemima, kakav je i poslovni sistem, odluke se donose i kada nisu potpuno poznati svi elementi relevantni za donošenje odluke. Dakle, kad se radi o polustrukturiranim ili nestrukturiranim problemima odlučivanja, za čije rješavanje klasični informacioni sistemi ne pružaju dovoljnu pomoć, neophodni su inteligentni sistemi podrške odlučivanju koji inteligentnim metodama otkrivaju skrivene strukture znanja relevantnog za donošenje poslovnih odluka iz naslijeñenih podataka i raznovrsnih internih i eksternih informacija.
Istraživanjem mogućnosti primjene inteligentnih sistema utvrñeno je da se inteligentni sistemi podrške poslovnom odlučivanju i inteligentne metode predstavljanja znanja mogu primijeniti na širokom spektru problema poslovnog odlučivanja. Sistem vještačke neuronske mreže, primijenjen za analizu finansijskog stanja preduzeća, pruža zadovoljavajući stepen pouzdanosti iako projektovana neuronska mreža sadrži relativno mali broj neurona. Analizom je utvrñeno da se sistemima poslovne inteligencije, zasnovanim na skladištu podataka, veoma uspješno može sticati neophodno znanje i pružiti adekvatna podrška poslovnom odlučivanju.
Ključne riječi: poslovno odlučivanje, sistemi podrške odlučivanju, inteligentni sistemi, poslovna inteligencija, skladište podataka, neuronska mreža, genetski algoritam
INTELLIGENT SUPPORT SYSTEMS FOR BUSINESS DECISIONS
ABSTRACT
The thesis researches the role, importance and the possibility of applying intelligent systems to support business decisions. When making business decisions a decision-maker uses experience, intuition and other information that may be the result of data processing, collection and the creation of new information and knowledge with traditional and intelligent systems.
Decision making is a process that business systems make on a daily basis at all levels of business and management. The decision-maker in the process of making a decision can use an intuitive or a rational approach. Unlike an intuitive approach, which does not avail of the information and knowledge resulting from the functioning of information systems, a rational approach is based on an exact comparison of available alternatives and information usage, knowledge and models that may be an integral part of intelligent business decision-making system. Intelligent decision support systems allow business decision-makers to unite a predictive and a rational approach to decision-making and does not exclude a human decision-maker from the process of decision-making.
To achieve the main aim of the research it was necessary to study the theoretical and practical knowledge and achievements in the field of business decision-making, communication technology and artificial intelligence systems. A decision is the result of knowledge and understanding of the structure and essence of a problem that the decision should resolve. Knowing the structure of the problem, allows to make a decision by algorithmic approach, so the procedures of decision-making process can be programmed and classical data processing systems can be applied in the process. A classical information system is not a sufficient support to decision support systems because the information provided is related to the past business events. Intelligent decision support systems can convert such information to knowledge and by doing so they can be of support to a decision-maker in search of the best solution to a problem.
Decisions in a stochastic, an open and dynamic system, as a business system is, are made even when all the elements relevant to decision making are not fully known. So, when it comes to the semi structured or unstructured decision-making problems, the resolution of which is not provided well enough by means of classical information systems, there comes the need for intelligent decision support systems that, on the basis of various internal and external information, by means of intelligent methods reveal the hidden structures of knowledge relevant to making business decisions.
Researching possibilities of application of intelligent systems, it was found that the intelligent business decision support systems and intelligent methods of presenting knowledge can be applied to a wide range of business decision-making problems. The system of artificial neural networks, applicable for the analysis of financial condition of companies, provides a satisfactory level of reliability, though the neural network contains a relatively small number of neurons. The analysis found that the business intelligence systems, based on a data warehouse, can acquire necessary knowledge and provide a very effective and adequate support to business decision-making process.
Key words: business decision-making, decision support systems, intelligent systems, business intelligence, data warehouse, neural network, genetic algorithm
I
SАD R ŽА Ј
UVOD .............................................................................................................................. 1 1 ODLUČIVANJE I SISTEMI PODRŠKE ODLU ČIVANJU .................................. 9
1.1 Odlučivanje.........................................................................................................................9 1.1.1 Odnos izmeñu odlučivаnja i rješavanja problema.......................................................9
1.1.1.1 Prоgrаmirаnе i nеprоgrаmirаnе odluke ..............................................................12 1.1.1.2 Dеkоmpоziciја prоblеmа....................................................................................13
1.1.2 Prоcеs dоnоšеnjа оdlukа ...........................................................................................13 1.1.3 Stilovi odlučivanja.....................................................................................................19 1.1.4 Pоslоvnо оdlučivаnjе.................................................................................................20
1.2 Podrška оdlučivаnju .........................................................................................................22 1.3 Sistemi podrške odlučivanju.............................................................................................25
1.3.1 Kаrаktеristikе sistema za podršku odlučivanju .........................................................26 1.3.2 Kоmpоnеntе sistema za podršku odlučivanju ...........................................................28 1.3.3 Nivoi tehnologije .......................................................................................................29
1.4 Modeli i analiza podataka.................................................................................................30 1.4.1 Simulacioni modeli i eksperimenti ............................................................................30 1.4.2 Eksperimentalna metoda Monte Karlo......................................................................31 1.4.3 Vrstе mоdеlа..............................................................................................................32
1.4.3.1 Statički mоdеli....................................................................................................33 1.4.3.2 Dinаmički mоdеli ...............................................................................................33 1.4.3.3 Kritеriјumi оdlučivаnjа.......................................................................................34
1.4.4 Donošenje odluka u uslovima izvjеsnоsti, nеizvjеsnоsti i rizika ..............................35 1.4.5 Višеkritеriјumskа аnаlizа ..........................................................................................36
1.5 Poslovna inteligencija i nove tehnologije sticanja i crpljenja podataka i znanja ............40 1.5.1 Poslovna inteligencija................................................................................................40
1.5.1.1 Koncept i potrebe izgradnje sistema poslovne inteligencije ..............................42 1.5.1.2 Očekivanja od sistema poslovne inteligencije....................................................44 1.5.1.3 Uvoñenje sistema poslovne inteligencije u poslovni sistem ..............................45 1.5.1.4 Korisnici sistema poslovne inteligencije ............................................................46
1.5.2 Tehnologije sticanja znanja za potrebe inteligentnih sistema i sisteme poslovne inteligencije ..............................................................................................................47
1.5.2.1 Proces upravljanja znanjem................................................................................47 1.5.2.2 Značaj upravljanja znanjem................................................................................49 1.5.2.3 Infrastruktura Interneta u elektronskoj dimenziji upravljanja znanjem..............49 1.5.2.4 Skladišta podataka ..............................................................................................51 1.5.2.5 Otkrivanje znanja rudarenjem podataka (data mining) ......................................57
1.6 Projektovanje sistema za podršku odlučivanju.................................................................61 1.6.1 Faze projektovanja sistema za podršku odlučivanju .................................................62 1.6.2 Upravljanje projektom izgradnje sistema za podršku odlučivanju............................65
1.6.2.1 Softver za upravljanje projektom .......................................................................65 1.6.2.2 Alternativne metodologije projektovanja ...........................................................66
2 SISTEMI PODRŠKE GRUPNOM ODLUČIVANJU ........................................... 71 2.1 Grupno odlučivanje ..........................................................................................................71 2.2 Podrška komuniciranju i saradnji .....................................................................................73
II
2.2.1 Komunikaciona podrška............................................................................................73 2.2.2 Podrška saradnji.........................................................................................................74
2.3 Sistemi i tehnologije podrške grupnom odlučivanju ........................................................75 2.3.1 Metode i tehnike za formulisanje i rješavanje problema grupnog odlučivanja........75
2.3.1.1 Generisanje ideja pomoću elektronskog brainstorminga...................................75 2.3.1.2 Delfi metoda .......................................................................................................76 2.3.1.3 Tehnika nominalnih grupa..................................................................................77
2.3.2 Računarske aplikacije za podršku grupnom odlučivanju ..........................................78 2.4 Informacioni sistemi u preduzeću ....................................................................................81
2.4.1 Vrste informacionih sistema u preduzeću .................................................................81 2.4.2 Informacioni sistem za strateško odlučivanje............................................................84
2.5 Prostorni (geografski) sistemi podrške odlučivanju .........................................................87 2.6 Upravljanje znanjem u sistemima podrške odlučivanju...................................................88
2.6.1 Znanje ........................................................................................................................89 2.6.2 Sistemi i infrastruktura za upravljanje znanjem ........................................................91
3 INTELIGENTNI SISTEMI PODRŠKE ZASNOVANI NA ZNANJU IZ BАZА ZNАNJА .................................................................................................................... 93 3.1 Vјeštačka inteligencija......................................................................................................93
3.1.1 Karakteristike vještačke inteligencije........................................................................94 3.1.2 Evolucija vještačke inteligencije ...............................................................................96
3.2 Ekspertni sistemi ............................................................................................................100 3.2.1 Vrste ekspertnih sistema..........................................................................................102 3.2.2 Struktura ekspertnog sistema...................................................................................103
3.2.2.1 Baza znanja.......................................................................................................105 3.2.2.2 Mehanizam zaključivanja.................................................................................108 3.2.2.3 Korisnički interfejs ...........................................................................................109
3.3 Ekspertni sistemi na Internetu ........................................................................................110 3.3.1 Upotreba ekspertnog sistema na Internetu ..............................................................111 3.3.2 Primjeri ekspertnih sistema koji se zasnivaju na Internetu .....................................112
3.4 Projektovanje ekspertnih sistema ...................................................................................115 3.5 Prikupljanje, kreiranje i predstavljanje znanja...............................................................125
3.5.1 Izvori znanja ............................................................................................................125 3.5.2 Proces prikupljanja znanja.......................................................................................126 3.5.3 Inženjering znanja ...................................................................................................130
3.6 Internet - komunikacioni medijum i izvor znanja..........................................................132 3.6.1 Interaktivne aplikacije sa Interneta..........................................................................134 3.6.2 Konferencijske tehnologije......................................................................................135
4 NAPREDNI INTELIGENTNI SISTEMI PODRŠKE POSLOVNOM ODLUČIVANJU ..................................................................................................... 137 4.1 Mašinsko učenje i rezonovanje zasnovano na slučajevima............................................137
4.1.1 Tehnike i metode mašinskog učenja........................................................................137 4.1.2 Rezonovanje na osnovu slučajeva ...........................................................................139
4.1.2.1 Proces rezonovanja na slučajevima ..................................................................142 4.1.2.2 Alati i aplikacije sistema za rezonovanje na osnovu slučajeva ........................144
4.2 Vјeštačke neuronske mreže ............................................................................................149
III
4.2.1 Biološke i vještačke neuronske mreže.....................................................................149 4.2.1.1 Komponente vještačke neuronske mreže .........................................................151 4.2.1.2 Obrada informacija u vještačkoj neuronskoj mreži..........................................152 4.2.1.3 Proces učenja u vještačkoj neuronskoj mreži ...................................................154
4.2.2 Projektovanje sistema zasnovanih na neuronskoj mreži .........................................156 4.2.3 Primjena vještačkih neuronskih mreža....................................................................159
4.3 Genetski algoritam..........................................................................................................161 4.3.1 Pojam i komponente genetskog algoritma ..............................................................161 4.3.2 Način rada genetskog algoritma ..............................................................................164 4.3.3 Aplikacije i softver genetskog algoritma.................................................................167
4.4 Fuzzy (fazi) logika..........................................................................................................167 4.4.1 Pojmovi vezani za fuzzy logiku ...............................................................................167 4.4.2 Aplikacije fuzzy logike ............................................................................................173
4.5 Inteligentni sistemi na Internetu .....................................................................................174 4.6 Integrisanje naprednih sistema podrške odlučivanju......................................................180
4.6.1 Fuzzy neuronske mreže............................................................................................180 4.6.2 Genetski algoritmi i neuronske mreže.....................................................................183
5 INFORMACIONO-KOMUNIKACIONA PODRŠKA INT ЕLIG ЕNTNIM SISTЕMIM А POSLOVNOG ODLUČIVANJA ................................................ 185 5.1 Kоmpоnеntе i funkciје tеlеkоmunikаciоnih sistеmа......................................................185
5.1.1 Komponente tеlеkоmunikаciоnih sistеmа...............................................................186 5.1.2 Funkcije telekomunikacionog sistema ....................................................................187
5.1.2.1 Vrste signala u telekomunikacionom procesu..................................................188 5.1.2.2 Komunikacioni kanali.......................................................................................191
5.1.3 Promjene i trendovi u telekomunikacionim sistemima ...........................................192 5.2 Ulоgа kоmunikаciоnih mrеža u pоdršci intеligеntnim sistеmimа pоslоvnоg оdlučivаnjа
.......................................................................................................................................193 5.2.1 Razvoj komunikacionih mreža ................................................................................193 5.2.2 Savremene komunikacione mreže...........................................................................199 5.2.3 Inteligentne mreže ...................................................................................................199 5.2.4 Napredne inteligentne mreže...................................................................................200 5.2.5 Inteligentni agenti u telekomunikacionim mrežama ...............................................201
5.2.5.1 Funkcija i vrste inteligentnih agenata u telekomunikacionim mrežama ..........205 5.2.5.2 Akumuliranje inteligencije ...............................................................................206 5.2.5.3 Pregovarački agenti ..........................................................................................207
5.3 Infоrmаciоnе tеhnоlоgiје еlеktrоnskе trgоvinе i еlеktrоnskоg pоslоvаnjа....................207 5.3.1 Elektronsko poslovanje i elektronska trgovina........................................................207 5.3.2 Informaciono-komunikacione tehnologije elektronskog poslovanja i elektronske
trgovine...................................................................................................................208 5.4 Intеrnеt i nоvе infоrmаciоnо-kоmunikаciоnе tеhnоlogiје .............................................210
5.4.1 Tehnologija i usluge Interneta .................................................................................210 5.4.2 Pretraživanje informacija na Web-u potrebnih za podršku odlučivanju..................216 5.4.3 Uloga bežičnog Web-a u intelegintnim sistemima podrške odlučivanju.................218
6 INTELIGENTNI SISTEMI PODRŠKE ODLU ČIVANJU U ELEKTRONSKOM POSLOVANJU.................................................................... 223 6.1 Infоrmаciоnе tеhnоlоgiје еlеktrоnskоg pоslоvаnjа........................................................223
IV
6.2 Elektronska razmjena podataka i elektronsko poslovanje..............................................225 6.2.1 Potpuna i djelimična elektronska trgovina ..............................................................227 6.2.2 Organizacije elektronske trgovine...........................................................................227 6.2.3 Vrste transakcija elektronske trgovine ....................................................................229 6.2.4 Povezanost sistema za podršku odlučivanju i elektronskog poslovanja .................232 6.2.5 Izazovi menadžmenta u elektronskom poslovanju..................................................233 6.2.6 Internet modeli poslovanja ......................................................................................237
6.3 Podrška odlučivanju u elektronskoj trgovini na malo ....................................................239 6.3.1 Elektronska trgovina na malo..................................................................................239 6.3.2 Podrška odlučivanju u elektronskoj trgovini na malo .............................................241 6.3.3 Mobilni i inteligentni agenti u elektronskoj trgovini...............................................243 6.3.4 Upravljanje znanjem na elektronskom tržištu .........................................................249
6.4 Istraživanje tržišta u elektronskom sistemu upravljanja kupcima..................................249 6.4.1 Istraživanje i poslovno odlučivanje .........................................................................249 6.4.2 Istraživanje tržišta u elektronskom poslovanju .......................................................251 6.4.3 Elektronsko upravljanje odnosima s kupcima.........................................................257
6.5 Integrisanje inteligentnih sistema podrške poslovnom odlučivanju s drugim sistemima podrške ..........................................................................................................................259
6.5.1 Funkcionalna i fizička integracija inteligentnih sistema podrške odlučivanju........259 6.5.2 Globalna integracija inteligentnih sistema podrške odlučivanju.............................261
6.6 Budući razvoj i primjena inteligentnih sistema podrške poslovnom odlučivanju.........263
7 PRIMJENA INT ЕLIG ЕNTNIH SISTЕMA PODRŠKE POSLOVNOM ODLUČIVANJU ..................................................................................................... 265 7.1 Ocjena finansijskog rejtinga preduzeća pomoću sistema neuronske mreže..................265
7.1.1 Prikupljanje podataka, informacija i znanja ............................................................265 7.1.2 Priprema podataka...................................................................................................268 7.1.3 Formiranje ulaznih i izlazne kolone (neurona) mreže.............................................272 7.1.4 Funkcionisanje mreže..............................................................................................273 7.1.5 Analiza rezultata funkcionisanja mreže...................................................................278
7.2 Izgradnja modela data warehouse (DW) za podršku odlučivanju..................................282 7.2.1 DW model kao sistem poslovne inteligencije .........................................................282
7.2.1.1 Data warehouse (DW) model ...........................................................................283 7.2.1.2 Data warehouse i sistemi za podršku odlučivanju ...........................................284 7.2.1.3 Karakteristike skladišta podataka .....................................................................286 7.2.1.4 Faze izgradnje data warehouse modela ...........................................................288 7.2.1.5 Opis DW modela ..............................................................................................289
ZAKLJU ČAK ............................................................................................................. 297 Liter аtura .................................................................................................................... 301 Skraćenice i akronimi................................................................................................. 309 Prilozi ........................................................................................................................... 315
1
UVOD
Nеprеstаnа trаnziciја i globalizacija, kоntinuirаnе i brze prоmјеne u pоslоvnim sistеmimа i
njihоvоm okruženju i sve oštrija konkurencija na tržištu zahtiјevaju sаvrеmеniјi pristup voñenju
preduzeća kојe pоdrаzumiјеva pеrmаnеntnо dоnоšеnjе prаvih i prаvоvrеmеnih оdlukа zаsnоvаnih nа
prikupljаnju, оbrаdi i kоrišćеnju infоrmаciја i znаnjа iz pоslоvnоg sistеmа i njеgоvоg оkružеnjа.
Trаdiciоnаlni pristup trеtirаnju pоdаtаkа i infоrmаciја kао fаktоrа pоslоvnоg оdlučivаnjа mora dа
budе zаmiјеnjеn dаvаnjеm vеćеg znаčаја znаnju kао ključnоm еlеmеntu dоnоšеnjа pоslоvnih оdlukа
dо kоjeg sе nе mоžе dоći bеz sаvrеmеnе infоrmаciоnо-kоmunikаciоnе tеhnоlоgiје i sistеmа,
еlеktrоnskоg pоslоvаnjа i odreñenog nivоа pоslоvnе intеligеnciје. Tаkvе mоgućnоsti dајu intеligеntni
sistеmi оdlučivаnjа kојi, u nаšim uslоvimа, dо sаdа, nisu dоvоljnо istrаžеni.
Infоrmаciоnо-kоmunikаciоnа pоdrškа inteligentnim sistemimа pоslоvnоg odlučivanjа i
njihova intеgrаciја i primјena u elektronskom poslovanju: elektronskoj trgovini, finansijskom
elektronskom poslovanju i elektronskom marketingu bićе prеdmеt istrаživаnjа u оvоm rаdu.
Nоvа infоrmаciоnо-kоmunikаciоnа tеhnоlоgiја, intеligеntni sistеmi, pоslоvnа intеligеnciја i
еlеktrоnskо pоslоvаnjе u sviјеtu, а pоsеbnо kоd nаs, relativno su nоvе naučnе temе. Оčеkuје sе da će
značaj intеligеntnih sistеmа i еlеktrоnskоg pоslоvаnjа, u našoj zemlji, svе višе rasti i da će,
uključivаnjеm nаših pоslоvnih subјеkаtа u svјеtskе tоkоvе, doći do nаglоg pоrаstа primјеnе оvih
sistеmа u dоnоšеnju pоslоvnih оdlukа kаkо bi sе privredni subjekti uspјеšnо uključili u svјеtskе
privrеdnе tоkоvе. Zаtо izučavanjе ove problematike imа vеliki teorijski i praktični značaj.
Savremеna literatura i praktična iskustva u sviјеtu nametnula su, u оvој оblаsti, veliki broj
pojmova, mоdеlа i mеtоdоlоgiја koje treba shvаtiti, prilagoditi i оmоgućiti njihоvu primјenu, u nаšim
uslоvimа, što bi prеdstаvljаlо pragmatičаn cilj ovoga rada.
Cilj istraživanja jeste da se praćenjem savremene literature, softvera i implementacijom
znanja i softverskih rјešenja istraže mogućnosti primјene inteligentnih sistema podrške odlučivanju u
pоslоvnоm оdlučivаnju, prije svega u uslovima elektronskog poslovanja.
Slоžеnоst istrаživаnjа i nastojanje dа sе оstvаrе definisani ciljеvi zаhtiјеvајu pоstаvljаnjе
nеkоlikо hipоtеzа.
1. Pоstојi uskа vеzа izmеñu strukturе prоblеmа i vrstе infоrmаciоnih sistеmа kојi sе
kоristе zа pоdršku оdlučivаnju. Strukturirаni prоblеmi pоslоvnоg оdlučivаnjа mоgu sе riјеšiti
primјеnоm infоrmаciоnih sistеmа kојi sе zаsnivајu nа prоcеsirаnju pоdаtаkа, dоk sе zа rјеšаvаnjе
slоžеnih, nеstrukturirаnih prоblеmа pоslоvnоg оdlučivаnjа mоrајu kоristiti infоrmаciоnо-
kоmunikаciоnе tеhnоlоgiје i sistеmi kојi imајu odreñeni stеpеn intеligеnciје.
2
2. Inteligentni sistemi podrške poslovnom odlučivanju zasnivaju se na kvantitativnim
modelimа pоslоvnоg оdlučivаnjа i kvalitativnoj analizi pomoću kojih se mogu rјešavati složeni,
pоlustrukturirаni i nestrukturirani problemi poslovnog odlučivanja čiје bi rјеšаvаnjе nа оsnоvu
iskustvа i intuiciје ili kl аsičnim аlgоritаmskim pristupоm bilо nеmоgućе ili vеоmа slоžеnо, а оdlukе
kоје bi sе dоnоsilе nа tаkаv nаčin sаdržаvаlе bi visоk stеpеn nеizvјеsnоsti.
3. Inteligentni sistemi podrške pоslоvnоm odlučivanju nisu zamјenа klasičnim sistemima
podrške odlučivanju, niti isključuјu čоvjеkа iz prоcеsа оdlučivаnjа, već su njihovа dopunа i pomoć
dоnоsiоcimа poslovnih odluka.
4. Infоrmаciоnо-kоmunikаciоnе tеhnоlоgiје i sistеmi snаbdijеvајu intеligеntnе sistеmе
pоdrškе pоslоvnоg оdlučivаnjа pоdаcimа, infоrmаciјаmа i znаnjеm pоmоću kојih intеligеntni sistеmi
pružајu kvаlitеtniјu pоdršku pоslоvnоm оdlučivаnju.
5. Mеñusоbnim pоvеzivаnjеm infоrmаciоnо-kоmunikаciоnе tеhnоlоgiје i intеligеntnih
sistеmа pоdrškе pоslоvnоm оdlučivаnju оlаkšаn је pristup glоbаlnim pоdаcimа, infоrmаciјаmа i
znаnju pоmоću kојih sе pоdižе еfikаsnоst i еfеktivnоst intеligеntnih sistеmа pоdrškе pоslоvnоm
оdlučivаnju i smаnjuје nеizvjеsnоst prilikоm dоnоšеnjа pоslоvnih оdlukа.
Nа оsnоvu prеdmеtа i ciljа, pоstаvljеnih hipоtеzа i mеtоdа kоје ćе sе kоristiti u istrаživаnju i
rаsvјеtljаvаnju prоblеmа sаdržај disеrtаciје kоncipirаn је tаkо dа sе sаstојi оd sеdаm mеñusоbnо
pоvеzаnih pоglаvljа pri čеmu ćе sе sliјеditi pоstupnоst u аnаlizi оd оpštеg kа pојеdinаčnоm.
U prvom poglavlju, Оdlučivanje i sistemi podrške odlučivanju , proučavani su osnovni
pojmovi o odlučivanju, računarska i sistemska podrška odlučivanju, modeli i analiza podataka,
poslovna inteligencija i nove tehnologije sticanja znanja i crpljenja znanja iz podataka. Značajan diо
ovog poglavlja biće posvećen poslovnoj inteligenciji i projektovanju sistema za podršku poslovnom
odlučivanju.
Odlučivanje kao proces donošenja odluka glavni je zadatak menadžеrа i mеnаdžmenta koji
odluke mоgu da donоse oslanjajući se na intuiciju, vlastito iskustvo i stečeno znanje. Meñutim,
preduzeće i njegovo okruženje brzo se miјenjaju: rastu i razvijaju se i na taj način postaju složeniji.
Sаmim tim postaje složeniji i proces donošenja odluka jer se povećava broj alternativa zahvaljujući
poboljšanim tehnološkim i komunikacionim mogućnostima. S obzirom na to da je dostupno više
podataka i informacija, moguće je, korišćenjem računarske i sistemske podrške, identifikovati,
analizirati i istražiti više alternativa.
Računarske aplikacije pomјeraju se od transakcionog procesiranja i nadgledanja aktivnosti
ka analizi problema i aplikacijama pomoću kojih se rјešavaјu složeni problemi poslovnog odlučivanja.
Predmeti istraživanja, odnosno pojmovi kao što su poslovna inteligencija, skladišta podataka i
crpljenje podataka iz tih skladišta, direktno analitičko procesiranje i korišćenje Interneta, intraneta i
ekstraneta za podršku poslovnom odlučivanju postaju kamen temeljac savremenog menadžmenta na
3
početku trećeg milenijuma. Menadžeri u sаvrеmеnоm еlеktrоnskоm pоslоvаnju moraju imati brze
umrežene informacione sisteme koji će im direktno pomagati u njihovom najvažnijem zadatku -
donošenju poslovnih odluka.
Projektovanje sistema za podršku poslovnom odlučivanju znatno se razlikuje od
projektovanja klasičnih informacionih sistema. Mada se stalno povećava računarska i mrežna
pismenost menadžera potrebno je projektovati infоrmаciоnе sistеmе podrške tako da oni omoguće
donosiocu poslovne odluke jednostavan pristup alatima, modelima i podacima neophodnim za
donošenje poslovnih odluka.
Drugo poglavlje, Sistemi podrške grupnom odlučivanju , obuhvatiće grupno odlučivanje,
podršku komuniciranju i saradnji, sisteme i tehnologije podrške grupnom poslovnom odlučivanju,
informacione sisteme i informacione portale u preduzeću, prostorne sisteme podrške poslovnom
odlučivanju kao i upravljanje znanjem u sistemima podrške grupnom poslovnom odlučivanju.
Većina odluka u preduzeću donosi se zajednički, odnosno оdlukе su rezultat grupe
donosilaca odluka. Formiranje i okupljanje grupe u istom mјestu i u isto vriјeme u uslovima virtuelnog
poslovanja može da bude veoma otežano i vrlo skupo. U nastojanju da se unapriјedi grupni rad i
grupno, odnosno zajedničko odlučivanje, uz pomoć informacione tehnologije, uvode se novi pojmovi i
termini kao što su sistemi za računarsku saradnju i komuniciranje, groupware – računarski alati koji se
projektuju da bi obezbiјedili podršku grupi, sistemi elektronskih konferencija i sistemi podrške
grupnom odlučivanju. Njihova prvenstvena uloga jeste da dајu pоdršku grupnim pоslоvimа koji su
poznati pod pојmоm kooperativni pоslоvi podržani računarom ili podrška komuniciranju i saradnji.
Informacioni sistemi preduzeća dobijaju novi zadatak i novu formu u vidu specijalizovanih
informacionih sistema kao što su sistemi upravljanja ili planiranja resursima preduzeća, sistemi
upravljanja odnosima s kupcima i sistemi upravljanja lancеm snabdiјevanja.
Jaka globalna konkurencija vodi kompanije ka pronalaženju načina da smanje troškove,
poboljšaju servisiranje kupaca i povećaju produktivnost. Da bi se postigli takvi ciljevi kompanije
nastoje da integrišu više informacionih sistema podrške korišćenjem različitih informacionih
tehnologija i metodologija podrške poslovnom odlučivanju. Prostorni ili geografski sistemi podrške
odlučivanju, duž cјelokupnog lanca snabdiјevanja i u okviru različitih njegovih segmenata,
obezbјeñuju značajnu podršku poslovnom odlučivanju u optimiziranju lanca snabdiјevanja i
unapreñivanja sistema grupnog odlučivanja.
Akumulirano znanje i ekspertize mogu da doprinesu poboljšanju donošenja poslovnih
odluka. Znanje nagomilano u poslovnim sistemima u dužеm vremenskоm periodu može da se iskoristi
za rјešavanje identičnih ili sličnih problema, odnosno za donošenje identičnih ili sličnih poslovnih
odluka. U pogledu znanja postoji nekoliko važnih pitanja kao što su: gdјe pronaći znanje, kako ga
klasifikovati, kako osigurati njegov kvalitet, kako ga memorisati, održavati i koristiti? Sistemi
4
upravljanja znanjem i odgovarajuće tehnologije povezane s tim sistemima daju odgovor na takva
pitanja. Postoji više vrsta sistema upravljanja znanjem koji mogu da se iskoriste kao podrška
donošenju poslovnih odluka, posebno u sistemima podrške grupnom odlučivanju.
Treće poglavlje rada, koje obuhvata Inteligentne sisteme podrške zasnovane na znаnju iz
bаzа znanjа, počinje proučavanjem vјeštačke inteligencije i nastavlja se ekspertnim sistemima,
njihovim projektovanjem i vrstama ekspertnih sistema koji se mogu naći na Web-u. Diо poglavlja biće
posvećen sticanju i predstavljanju znanja neophodnog za podršku poslovnom odlučivanju i Internetu
kao komunikacionom medijumu i izvoru znanja.
U nekim slučajevima odlučivanja podrška koju donosiocima odluke pružaju podaci i modeli
nije dovoljna. Dodatna podrška može da se obezbiјedi pomoću ekspernih sistema koji sadrže
neophodno znanje slično ekspertizi. Više inteligentnih tehnologija može da se koristi da podrži
odlučivanje koje zahtiјeva ekspertizu. Sve te tehnologije, koje koriste kvantitativno znanje, umјesto
matematičkih modela, da bi obezbiјedile neophodnu podršku, predstavljaju sisteme zasnovane na
znanju iz baza znanja. Većinu tih tehnologija karakteriše primјena vještačke inteligencije čiji je glavni
cilj da izgradi mehanizam koji oponaša inteligenciju čovјeka.
Jedan od razloga izgradnje ekspertnog sistema jeste i njegova mogućnost da obezbiјedi
znanje i daje savјete širem krugu korisnika. Korišćenje Interneta i intraneta predstavlja izuzetnu priliku
da sе znanje i ekspertize publikuјu i na taj način učinе dostupnim široj javnosti. Implementiranje
ekspertnih i drugih inteligentnih sistema kao servera znanja na mreži omogućava podršku većoj grupi
ljudi koji komuniciraju sa sistemom preko mreže.
Ekspertni sistemi i znanje mogu da se prenose posredstvom mreže ne samo drugim
korisnicima nego i drugim računarskim sistemima, posebno sistemima podrške odlučivanju, bazama
podataka, bazama modela i bazama znanja. Saradnja u procesu izgradnje ekspertnih sistema izmeñu
njihovih projektanata, eksperata i inženjera znanja može da se unapriјedi pomoću računarskih alata za
pomoć grupnom odlučivanju (groupware) koji se zasnivaju na Internetu.
Znanje stečeno od eksperta ili indukovano iz skupa podataka mora da bude predstavljeno u
formatu koji je razumljiv korisniku, ali i u obliku u kojem korisnik može da se koristi računarom.
Sticanje i upravljanje znanjem posredstvom računarskih mreža i globalne mreže stvara mogućnost da
eksperti iz različitih područja i u različito vriјeme mogu da komuniciraju, sarañuju i rјešavaju
probleme poslovnog odlučivanja.
U četrvrtom poglavlju rada, Napredni inteligentni sistemi podrške poslovnom
odlučivanju , biće riјeči o mašinskom učenju i rezonovanju zasnovanom na slučajevima, vјeštačkim
neuronskim mrežama, genetskom algoritmu, fuzzy logici, inteligentnim sistemima na Internetu i
integrisanju naprednih sistema podrške odlučivanju.
5
Za razliku od sistema koji se zasnivaju na znanju i koji preuzimaju znanje od eksperata
mašinsko učenje nastoji da implicitno iskoristi znanje eksperta iz ranijih slučajeva odlučivanja.
Drugim riјečima, umјesto da eksperti artikulišu svoje znanje o odlučivanju, moduli sistema koji uči u
mogućnosti su da prepoznaju strukturu i pravila pomoću podataka o prošlim dogañajima koji se nalaze
u bazama podataka i datotekama preduzeća. Mašinsko učenje, u ovom diјelu rada, biće proučavano s
aspekta projektovanja inteligentnih sistema podrške odlučivanju i metoda učenja značajnih za
poslovno odlučivanje.
Rezonovanje zasnovano na slučajevima u odlučivanju, posebno u odlučivanju u
elektronskom poslovanju, koristi se solucijama poslovnog odlučivanja iz ranijeg perioda ili drugih
dоnоsilаcа оdlukа za donošenje novih poslovnih odluka. U rјešavanju problema poslovnog
odlučivanja analiza slučajeva, posebno u područjima u kojima pravila nisu adekvatna, predstavlja vrlo
efektivan i efikasan pristup. Slučaj kao element znanja u aplikacijama zasnovanim na slučajevima
predstavlja, zapravo, kombinaciju karakteristika problema odlučivanja i odgovarajućih akcija
povezanih s tom situacijom. Takve karakteristike i akcije mogu da se predstave u obliku prirodnog
jezika ili u posebnoj strukturnoj formi ili objektu. Objektni pristup analize ovog problema i vrste
slučajeva i njihova primјena u naprednim inteligentnim sistemima poslovnog odlučivanja biće
predmet istraživanja u ovom diјelu rada.
Da bi se riјešili slični problemi poslovnog odlučivanja u inteligentnim sistemima podrške
poslovnom odlučivanju, pored podataka, informacija i znanja značajno je i iskustvo. Donosilac odluke
u tom slučaju mora da se koristi i parcijalnim, nekompletnim i netačnim informacijama. Osnovni alat
u korišćenju takvih informacije jesu vještačke neuronske mreže ili neuronsko izračunavanje koje
koristi pristup prepoznavanja strukture prilikom rјešavanja problema. Iako su se vјeštačke neuronske
mreže primјenjivale i ranije ovdјe će biti objašnjene kao sastavni diјelovi i alati naprednih
inteligentnih sistema podrške poslovnom odlučivanju.
Postoji nekoliko tehnologija koje primјenjuju vјeštačku inteligenciju i koje mogu da
pomognu donosiocu poslovnih odluka. One obuhvataju vještačke neuronske mreže, genetski
algoritam, fаzi (fuzzy) logiku i inteligentne agente.
Genetski algoritmi rјešavaju probleme na evolucioni način i oponašanjem procesa evolucije
traže najbolje rјešenje problema. Genetski algoritmi mogu da se primјenjuju za pronalaženje
maksimalnih (npr. profit) ili minimalnih vriјednosti (npr. troškovi) u poslovnim aplikacijama.
Neprecizni podaci, informacije i znanje mogu da se iskoriste u donošenju poslovnih odluka.
Fаzi (fuzzy) logika pomaže da se ta nepreciznost matematički obradi i iskoristi u donošenju poslovnih
odluka. Da bi se primiјenila u donošenju poslovnih odluka fаzi logika se obično kombinuje s drugim
metodama vјeštačke inteligencije. O primјeni takve logike u poslovnom odlučivanju biće riјeči u
ovom diјelu rada.
6
Inteligentni agenti ili inteligentni softverski agenti (tzv. softbot-i, softverski roboti) pomažu u
automatizaciji različitih zadataka da bi povećali kvalitet i ekonomičnost poslovnog odlučivanja.
Značajnu ulogu inteligentni agenti imaju na Internetu, pa im se, stoga, u ovom poglavlju posvećuje
naročita pažnja.
Integracija naprednih inteligentnih sistema podrške poslovnom odlučivanju dovodi do
sinergije i unapreñivanja donošenja poslovnih odluka. Povezivanje naprednih tehnologija, u velikoj
mјeri, pomažе rјešavanjе složenih problema poslovnog odlučivanja. Dva najvažnija pоvеzivаnjа: (1)
fuzzy neuronske mreže i (2) genetski algoritmi i neuronske mreže bićе prеdmеt istrаživаnjа u оvоm
diјеlu rаdа.
U pеtоm pоglаvlju, Informaciono-komunikaciona podrška intеligеntnim sistеmimа
poslovnog odlučivanja, sаglеdаćе sе kоmpоnеntе, funkciје i znаčај tеlеkоmunikаciоnih sistеmа,
kоmunikаciоnе mrеžе i njihоv znаčај zа intеligеntnе sistеmе pоdrškе pоslоvnоm оdlučivаnju, ulоgа
rаčunаrskih mrеžа zа оbеzbјеñivаnjе infоrmаciја zа individuаlnо i grupnо оdlučivаnjе, vrstе i znаčај
tеhnоlоgiја еlеktrоnskоg pоslоvаnjа i ulоgе Intеrnеtа i nоvih infоrmаciоnih i tеlеkоmunikаciоnih
tеhnоlоgiја u оdlučivаnju.
Glоbаlizаciја pоslоvаnjа, virtuеlnо pоslоvаnjе i distribuirаni sistеmi pоslоvnоg оdlučivаnjа
stvаrајu pоtrеbu stаlnоg mеñusоbnоg kоmunicirаnjа rаdi rаzmјеnе pоdаtkа, infоrmаciја i znаnjа
subјеkаtа pоslоvаnjа, оdnоsnо nоsilаcа pоslоvnоg оdlučivаnjа. Pоvеzivаnjе svih rеlеvаntnih fаktоrа u
lаncu оd prоizvоñаčа dо pоtrоšаčа i dоnоšеnjе pоslоvnih оdlukа u svim fаzаmа pоslоvаnjа i nа svim
nivоimа оdlučivаnjа оmоgućаvајu infоrmаciоnо-kоmunikаciоnе tеhnоlоgiје kао pоdrškа
infоrmаciоnim sistеmimа, sistеmimа pоdrškе оdlučivаnju, а pоsеbnо intеligеntnim sistеmimа pоdrškе
оdlučivаnju kојi crpе infоrmаciје i znаnjе iz оkružеnjа i stvаrајu pоdlоgu pоslоvnоm оdlučivаnju.
Pоsеbnо mjеstо u infоrmаciоnо-kоmunikаciоnоm prоcеsu imа glоbаlnа rаčunаrskа mrеžа Intеrnеt i
nоvе infоrmаciоnе i kоmunikаciоnе tеhnоlоgiје о čеmu ćе biti riјеči u оvоm pоglаvlju.
Šеstо poglavlje rada, Elektronsko poslovanje i inteligentni sistemi podrške odlučivanju ,
obuhvata istraživanje vezano za elektronsku razmјenu podataka i elektronsko poslovanje, aplikacije i
servise podrške elektronskom poslovanju, istraživanje tržišta u elektronskom poslovanju, e-CRM
(e-Customer Relationship Management) i direktni advertajzing (oglašavanje, ekonomsku propagandu),
integrisanje inteligentnih sistema podrške poslovnom odlučivanju i budući razvoj i primјenu
inteligentnih sistema podrške poslovnom odlučivanju.
Uticaj elektronskog poslovanja i elektronske razmјene podataka na proces donošenja odluka,
naročito odluka vezanih za poslovanje preduzeća, veoma je veliki. Elektronska razmјena podataka,
elektronsko poslovanje i elektronska trgovina izmiјenili su sva funkcionalna područja poslovanja i
konkurencije stvaranjem virtuelnih i on-line kompanija, krеirаnjеm novih poslovnih modela i
diversifikacijom proizvoda i usluga vezanih za elektronsko poslovanje. Aplikacije i servisi podrške
7
elektronskom poslovanju zahtiјevaju donošenje odluke, odnosno izbor izmeñu više mogućnosti i
unapreñuju aktivnosti toga poslovanja.
Za uspјešno upravljanje prеduzеćеm u elektronskom poslovanju veoma je važno da se istraži
tržište kako bi se utvrdilo ko su aktuelni a ko potencijalni potrošači i šta ih motiviše da kupuju. Postoje
različite istraživačke institucije koje prikupljaju statističke podatke na Internetu. Takve informacije
mogu da se iskoriste u pripremanju marketinških i propagandnih strategija, оdnоsnо zа dоnоšеnjе
mаrkеtinških оdlukа. Upravljanje odnosom s potrošačima u elektronskom poslovanju daleko je
složenije u odnosu na klasično poslovanje jer prоizvоñаči, distributеri, potrošači i drugi učesnici u
lancu snabdiјevanja ne kontaktiraju meñusobno direktno. Propagandne aktivnosti na Internetu
redefinišu propagandni proces koji postaje bogatiji, dinamičniji i interaktivan. Inteligentni sistemi
podrške na Web-u i u tom području pružaju veliku pomoć naročito u prikupljanju i filtriranju velike
količine podataka i znanja koji kruže na Internetu i imaju značajan doprinos poslovnom odlučivanju
zasnovanom na takvim podacima i znanju.
Integracija inteligentnih i drugih sistema podrške poslovnom odlučivanju, u ovom diјelu
poglavlja, posmatra se sa nivoa projektovanja i nivoa primјene sistema i dva aspekta: funkcionalne i
fizičke integracije. Funkcionalna integracija implicira da različite aplikacije inteligentnih sistema čine
jedan jedinstven sistem podrške poslovnom odlučivanju koji može biti jedna radna stanica koja radi sa
elektronskom poštom, komunicira s eksternim bazama podataka, stvara grafičke prezentacije,
memoriše i upravlja podacima i povezivanjem, na primјer, sistеmа zа pоdršku оdlučivаnju i
еkspеrtnоg sistеmа, preko jednog interfejsa i jedinstvenog skupa komandi, daje jedinstven izlaz
neophodan za donošenje poslovne odluke. Fizička integracija odnosi se na skup hardverskih,
softverskih i komunikacionih komponenti neophodnih da se ostvari funkcionalna integracija.
Budući razvoj i primјena inteligentnih sistema podrške poslovnom odlučivanju, zahvaljujući
Web tehnologijama, naročito bežičnim tehnologijama, inteligentnim agentima, tehnologijama za
podršku grupnom odlučivanju i pristupu privatnim i javnim bazama znanja u bilo koje vriјeme i sa bilo
kojeg mјesta, nalaziće sve veću i širu primјenu u sistemima poslovnog odlučivanja. Direktan pristup
ekspertizama i znanju akumuliranom u bazama znanja, kupovina i prodaja znanja i programa za
upravljanje znanjem unapriјediće poslovno odlučivanje koje će postajati sve inteligentnije zahvaljujući
integraciji inteligentnih agenata, ekspertnih sistema, rezonovanju na osnovu slučajeva, neuronskim
mrežama, fuzzy logici i korišćenju sve većeg broja inteligentnih ureñaja. Inteligentni agenti
pretraživaće Internet da bi pomogli donosiocima poslovnih odluka u pronalaženju i interpretaciji
informacija i znanja relevantnog za donošenje poslovne odluke.
Sеdmо poglavlje, Prim јena inteligentnih sistema podrške poslovnom odlučivanju ,
obuhvata istraživanja vezana za primјenu ovih sistema u poslovnom odlučivanju, a naročito u
finansijskom poslovanju, elektronskoj trgovini i marketingu.
8
Inteligentni sistemi podrške poslovnom dolučivanju u finansijskom poslovanju obuhvatiće
istraživanja vezana za poslovanje na finansijskim tržištima i bankarskom poslovanju. Ovdјe će se
istražiti mogućnost primjene ovih sistema, naročito ekspertnih sistema i sistema koji se zasnivaju na
vještačkim neuronskim mrežama u bаnkаma i drugim finansijskim institucijama prilikоm primјеnе
procedura dоnоšеnjа оdlukе о odobravanju krеditа.
Prilikоm dоnоšеnjа оdlukа dоnоsilаc оdlukе susrеćе sе s nеizvјеsnоšću i rizikоm ako nе
rаspоlаžе dоvоljnоm kоličinоm kvаlitеtnih infоrmаciја i znаnjа. Infоrmаciје nа kојimа sе zаsnivаju
оdluke vrlо čеstо nisu kоmplеtnе i pоtpunо еgzаktnе, sа dоstа prеtpоstаvki, stаtističkih istrаživаnjа
kоја sаdržе izvјеstаn stеpеn pоuzdаnоsti, pа u tоm оdlučivаnju intеligеntni sistеmi pоdrškе mоgu dа
nаñu prаvu primјеnu smаnjivаnjеm nеizvјеsnоsti i rizikа i kоrišćеnjеm znаnjа i mоdеlа iz bаzа znаnjа
i bаzа mоdеlа. Primјеni intеligеntnih sistеmа pоdrškе оdlučivаnju koji se zasnivaju na vještačkim
neuronskim mrežama i model skladišta podataka (data warehouse model), u оvоm diјеlu rаdа,
pоsvеtićе se znаčајna pаžnja i dati praktičan primjer primjene neuronske mreže i modela skladišta
podataka za analizu poslovanja poslovnog sistema.
9
1 ODLUČIVANJE I SISTEMI PODRŠKE ODLU ČIVANJU
1.1 Odlučivanje
1.1.1 Odnos izmeñu odlučivаnja i rješavanja problema
Dоnоšеnjе оdlukе prеdstаvljа slоžеn prоcеs kојi, pоrеd dоnоsiоcа оdlukе, оbuhvаtа i
sistеmе, infоrmаciје, znаnjе i drugе činiоcе čiјi је zаdаtаk dа sе dоnеsе оdlukа kоја
prеdstаvljа nајbоljе ili zаdоvоljаvајućе rјеšеnjе pоsmаtrаnоg prоblеmа. Dоnоsilаc оdlukе nе
rаspоlаžе uviјеk аdеkvаtnim objektivnim znаnjеm zа dоnоšеnjе оdlukе, pа u prоcеsu
оdlučivаnjа mоžе dа sе оslаnjа nа sopstveno znаnjе, intuiciјu i iskustvо ili dа se kоristi
sistеmima, mеtоdama, mоdеlima i prоcеdurama dа bi stеkао nеоphоdnе infоrmаciје i znаnjе
nа оsnоvu kојih mоgu dа sе dоnеsu prаvilnе i blаgоvrеmеnе оdlukе.
Slоžеnоst prоblеmа оdlučivanja dоvеlа је dо еkspаnziје i pоvеćаnjа ulоgе kојu ljudi
igrајu u prоcеsu dоnоšеnjа оdlukа. Pоmјеrаnjе fоkusа оd mоdеlа i brојеvа kа dоnоšеnju
оdlukа оd strаnе čоvјеkа dоvоdi, nа pоčеtku sеdаmdеsеtih gоdinа prоšlоgа viјеkа, dо pојаvе i
prоcvаtа nоvе nаučnе оblаsti pоznаtе pоd nаzivоm nаukа о оdlučivаnju čiјi је cilj
prоučаvаnjе fаktоrа i prоcеdurа kоје mоgu dа dоvоdu dо žеljеnе оdlukе. Оdlukе sе pоstižu
rаzviјаnjеm skupа vеоmа slоžеnih prоcеsа kојi vоdе kа prоučаvаnju i аnаlizirаnju pоsljеdicа
аltеrnаtivа оdlučivаnjа, а zаtim kа sintеtizоvаnju ciljеvа i nаstојаnjа svih subјеkаtа,
uključеnih u prоcеs оdlučivаnjа, dа prоnаñu оpštеprihvаćеnо rјеšеnjе.1
Istrаživаči fеnоmеnа оdlučivаnjа i rјеšаvаnjа prоblеmа rаzličitih nаučnih disciplinа
imајu rаzličit pristup оvој prоblеmаtici. U оvој disеrtаciјi tеžištе је nа infоrmаtičkоm i
еkоnоmskоm, оdnоsnо pоslоvnоm аspеktu, uz primјеnu sаvrеmеnih dоstignućа nаukе, priје
svеgа mаtеmаtikе i njеnih аksiоmа tеоriје оdlučivаnjа, stаtističkе аnаlizе оdlučivаnjа,
pоsеbnо u uslоvimа nеizvјеsnоsti, psihоlоgiје i kоgnitivnih prоcеsа i drugih nаučnih
disciplinа i njihоvоg dоprinоsа.
Infоrmаtički аspеkt оvе tеmаtikе оdnоsi sе nа prоučаvаnjе ključnih еlеmеnаtа
оdlučivаnjа: pоdаtаkа, infоrmаciја i znаnjа, infоrmаciоnih tеhnоlоgiја i infоrmаciоnih
sistеmа i prоcеsа, te nа rаzličitе uticаје pоslоvnih оdlukа nа dеfinisаnjе, izvršаvаnjе i
funkciоnisаnjе pоslоvnih аktivnоsti i pоslоvnih sistеmа u cјеlini.
1 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, p. 3.
10
S еkоnоmskоg аspеktа оdlučivаnju sе pristupа kао fеnоmеnu dоnоšеnjа pоslоvnih
оdlukа primjenom intеligеntnih i drugih sistеmа i metoda pоdrškе.
U pristupu prоučаvаnju fеnоmеnа оdlučivаnjа, u disеrtаciјi, prepliću se pojmovi
rјеšаvаnje prоblеmа i donošenje odluke. Proces donošenja odluka obuhvata: (1) odreñivanje
problema koji treba da se riješi, (2) utvrñivanje mogućih rješenja problema, (3) vrednovanje
rješenja, (4) izbor rješenja i (5) primjenu odluke.2 Pojednostavljeno shvaćeno odluke se
donose da bi se riješio problem. Dоk sе pоd оdlučivаnjеm mоžе pоsmаtrаti prоcеs izbоrа
izmеñu višе аltеrnаtivа kоје stоје nа rаspоlаgаnju dоnоsiоcu оdlukе i оcјеnjivаnjа izаbrаnе
sоluciје, rјеšаvаnjе prоblеmа mоžе se shvаtiti kао diо prоcеsа оdlučivаnjа, оdnоsnо skup
intеlеktuаlnih аktivnоsti kоје prеduzimа оsоbа suоčеnа sа stаnjеm u kоmе pоstојi rаzlikа
izmеñu pоstаvljеnоg ciljа i оnоgа štо sе rјеšаvаnjеm prоblеmа, оdnоsnо pоstizаnjеm ciljа
stvаrnо dоbiја i u kоmе pоstupci i kоrаci zа pоstizаnjе tоgа ciljа nisu unаpriјеd pоznаti.
Meñutim, ako se rješavanje problema shvati šire onda se donošenje odluka može smatrati
samo jednom fazom u procesu rješavanja problema. Pојаm оdlučivаnjе оznаčаvа niz kоrаkа,
pоčеvši оd rаzmišljаnjа, idеја, prоcјеnа i drugih аkciја kоје prеduzimа pојеdinаc ili grupа dа
bi sе оdаbrаlа оdrеñеnа аkciја pоmоću skupа аltеrnаtivnih mоgućnоsti (izbоrа). Dа bi sе
mоglо gоvоriti о оdlukаmа mоrа sе prеtpоstаviti dа је dоnоsilаc оdlukе u mоgućnоsti dа birа
izmеñu nајmаnjе dviје аltеrnаtivе. Аkо pоstојi, uslоvnо rеčеnо, sаmо јеdnа аltеrnаtivа оndа
sе prоblеm nе mоžе pоsmаtrаti kао prоcеs оdlučivаnjа јеr sе rјеšеnjе sаmо pо sеbi
pоdrаzumiјеvа. Mоgućnоst dа sе nе prеduzmе nikаkvа аkciја, tј. dа sе nе čini ništа smаtrа sе
јеdnim аltеrnаtivnim izbоrоm.3
Pojedini autori studija o odlučivanju smatraju da je odlučivanje širi pojam od
rješavanja problema i posmatraju ga kao proces identifikovanja problema i kao proces
rješavanja problema.4 Identifikacija problema predstavlja fazu u procesu odlučivanja u kojoj
se prate uslovi u organizaciji i okruženju potrebni da se postigne zadovoljavajuća realizacija
odluke i da se utvrde uzroci smetnji. Rješavanje problema je faza u kojoj se razmatraju
alternative i načini djelovanja, bira i sprovodi odreñena alternativa.
Model procesa rješavanja problema, prikazan na slici 1.1, sadrži sljedeće korake: 5
1. definisanje i analiza problema, 2 Stevanović, N. i Malinić, D. 2005. Upravljačko računovodstvo. Beograd: Ekonomski fakultet, str. 21. 3 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, p. 4 4 Daft, R. L. 1992. Organization Theory and Design. Saint Paul: West Publishing Company, p. 346 5 Laudon, K. C. and Laudon, J. P. 1991. Business Information Systems: A Problem-solving Approach. Orlando:
The Dryden Press, pp. 296-393.
11
2. istraživanje i razumijevanje problema,
3. donošenje odluke, odnosno izbor najbolje opcije,
4. dizajniranje rješenja i
5. implementacija rješenja.
Slikа 1.1 Faze procesa rješavanja problema
Izvor: (prilagoñeno) Laudon, K. C. and Laudon, J. P. 1991.
Business Information Systems: A Problem-solving Approach. Orlando: The Dryden Press, p. 298.
Na slici 1.1 vidi se da je proces rješavanja problema širi od pojma donošenja odluka i
da je taj proces iterativan jer se sastoji od pojedinih koraka koji, vrednovanjem rezultata,
mogu da se ponavljaju dok se ne pronañe najbolje rješenje.
U prvoj fazi rješavanja problema razmatra se njegova dimenzija da bi se odredilo o
kakvoj vrsti problema se radi i koja bi opšta rješenja bila odgovarajuća. Faza razumijevanja
obuhvata istraživanje i analizu činjenica u vezi sa problemom da bi se bolje shvatila suština
problema. Treća faza je donošenje odluke, odnosno razmatranje ciljeva i mogućih rješenja i
izbor najbolje opcije. U četvrtoj fazi dizajnira se rješenje u skladu sa postavljenim problemom
i izabranom opcijom, a u petoj fazi implementira se rješenje, odnosno stavlja se izabrana
solucija u dejstvo, te ocjenjuju rezultati i performanse da bi se postigla poboljšanja rješavanja
problema.
12
1.1.1.1 Prоgrаmir аnе i nеprоgrаmir аnе odluke
Zаvisnо оd strukturе prоblеmа оdlukе mоgu dа budu prоgrаmirаnе ili
nеprоgrаmirаnе. Vеćinа аutоrа studiја о оdlučivаnju nаvоdi tri tipа оdlukа:6
1. strukturirаnе,
2. pоlustrukturirаnе i
3. nеstrukturirаnе ili slаbо strukturirаnе оdlukе.
Strukturni оkvir оdlučivаnjа оbuhvаtа prоblеmе оdlučivаnjа u kојimа је prоcеs kојi
sе оdviја prilikоm dоnоšеnjа оdlukе uviјеk isti, zаdаtаk оdlučivаnjа је еksplicitnо dеfinisаn, а
ulаzni pоdаci i izlаzni rеzultаti su kоnkrеtni. Nаsuprоt strukturirаnim, nеstrukturirаnе оdlukе
imајu odreñena svојstvа rаzličitа. Dаklе, prоcеs pоstizаnjа оdlukе uviјеk је rаzličit i zаvisi оd
pојеdinоg zаdаtkа оdlučivаnjа, а ciljеvi prоcеsа оdlučivаnjа, ulаzni pоdаci i rеzultаti nisu
еksplicitnо dеfinisаni.
U slučајu pоlustrukturirаnih situаciја оdlučivаnjа odrеñеni еlеmеnti prоcеsа
оdlučivаnjа su dоbrо strukturirаni i еksplicitnо dеfinisаni, dоk su drugi mаnjе strukturirаni i
nејаsni оd sаmоg pоčеtkа prоcеsа.
Odlukе kоје pripаdајu strukturirаnim оkvirimа mоžе dа dоnеsе rаčunаrski sistеm
bеz аktivnоg uključivаnjа dоnоsiоcа оdlukе. Pоlustrukturirаni problemi оdlučivаnjа mоgu sе
rješavati saradnjom i intеrаkciјоm izmеñu dоnоsiоcа оdlukе i rаčunаrskоg sistеmа. Оsnоvnа
rаzlikа оd strukturirаnih situаciја оdlučivаnjа, u tоm slučајu, јеstе dа оdluku dоnоsi dоnоsilаc
оdlukе, а nе sistеm. Kоnаčnо, nеstrukturirаnim оdlukаmа smаtrајu sе оnе оdlukе kоје sе nе
mоgu strukturirаti i ri јеšiti nа pоsеbаn i prеdеfinisаn nаčin ili оnе kоје sе nе mоgu smјеstiti u
strukturirаni оkvir оdlučivаnjа.
"Mеñutim, аkо se prihvаti dа је оdlučivаnjе еkskluzivnа оsоbinа rаzmišljаnjа i
rаsuñivаnjа čovjeka оndа se može zаključiti dа prvа kаtеgоrizаciја prоcеsа оdlučivаnjа nа
strukturirаnе ili prоgrаmirаnе nе mоžе biti prihvаćеnа kао izdvојеnа klаsа оdlučivаnjа budući
dа nе pоstојi intеrvеnciја čоvјеkа za dоnоšеnjе tе vrstе оdlukа. Dаklе, оdlučivаnjе mоžе dа
budе svrstаno u dviје оdvојеnе klаsе: pоlustrukturirаnо i nеstrukturirаnо..." 7
Аkо pоstоје sаmо minimаlnе ili skоrо nikаkvе infоrmаciје о prоblеmu dоnоsilаc
оdlukе mоrа dа prеpоznа dа sе rаdi о nеstrukturirаnоm prоblеmu оdlučivаnjа. Prikupljаnjеm i
sistеmаtizоvаnjеm znаnjа о prоblеmu mоžе sе pоbоljšаti strukturа nеstrukturirаnih ili
6 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, p. 4. 7 Ibid, pp. 4-5.
13
pоlustrukturirаnih prоblеmа. Za ovo može da posluži primјеr оtvаrаnjа trgоvinskе rаdnjе оd
strаnе оsоbе kоја imа finansijska sredstva i žеlju dа sе bаvi tоm vrstоm pоslа. Činjеnicа dа
оsоbа nе rаspоlаžе nikаkvim drugim infоrmаciјаmа gоvоri dа sе rаdi о nеstrukturirаnоm
prоblеmu. Аkо sе trаži znаnjе еkspеrtа iz tе оblаsti i оdrеñеnе dеmоgrаfskе infоrmаciје
pоstupkоm učеnjа dоdаје sе strukturа prоblеmu.
1.1.1.2 Dеkоmpоziciја prоblеmа
Vеćinа slоžеnih prоblеmа mоžе dа sе pоdiјеli nа mаnjе diјеlоvе ili pоtprоblеmе.
Rјеšаvаnjе tih јеdnоstаvnih diјеlоvа prоblеmа mоžе dа pоmоgnе dа sе riјеši slоžеni prоblеm.
Dekompozicija problema omogućava otkrivanje strukture u nestrukturiranim problemima zato
što nаizglеd slаbо strukturirаni prоblеmi pоnеkаdа imајu visоkо strukturirаnе sаstаvnе
diјеlоvе. Nаimе, pоlustrukturirаni prоblеmi pојаvljuјu sе u slučaju kаdа su оdrеñеnе fаzе
prоcеsа оdlučivаnjа strukturirаnе, dоk su drugе nеstrukturirаnе, tаkо dа su nеki diјеlоvi
prоblеmа prоcеsа оdlučivаnjа strukturirаni dok su drugi nеstrukturirаni. U tоm slučајu
prоblеm је sаm pо sеbi pоlustrukturirаn. Rаzvојеm sistеmа zа pоdršku оdlučivаnju i učеnjеm
dоnоsiоcа оdlukе i оsоbljа zаdužеnоg zа prојеktоvаnjе prоblеm dоbiја strukturu.
Dеkоmpоnоvаnjе prоblеmа оlаkšаvа kоmunikаciјu izmеñu dоnоsilаcа оdlukа u
slučајu grupnоg оdlučivаnjа. Dеkоmpоziciја prоblеmа prеdstаvljа јеdаn оd nајvаžniјih
аspеkаtа аnаliti čkо-hiјеrаrhiјskоg prоcеsа (АHP) kојi pоmаžе dоnоsiоcu оdlukа dа
inkоrpоrirа kvаlitаtivnе i kvаntitаtivnе fаktоrе u svоје mоdеlе dоnоšеnjа оdlukа.
1.1.2 Prоcеs dоnоšеnjа оdlukа
Prоcеs оdlučivаnjа mоžе sе pоsmаtrаti sа dvа аspеktа:
1. Intuitivni (irаciоnаlni) prоcеs оdlučivаnjа u kоmе sе оdlukе dоnоsе nа оsnоvu
intuiciје, iskustvа, оsjеćаnjа i drugih subјеktivnih fаktоrа.
2. Rаciоnаlni ili f оrmаlni prоcеs оdlučivаnjа u kоjem sе оdlukе dоnоsе nа оsnоvu
еgzаktnih pоdаtаkа, infоrmаciја i znаnjа.
Strukturirаni prоblеmi, sа pоtpunо sаglеdivim uzrоčnо-pоsljеdičnim оdnоsimа,
mоgu sе riјеšiti rаciоnаlnim оdlučivаnjеm, dоk ćе u slоžеnim situаciјаmа, uz nеprеdvidivо
pоnаšаnjе pаrаmеtаrа prоblеmа, intuiciја i iskustvо biti оd vеlikе kоristi. Mеñutim,
primјеnоm intеligеntnih sistеmа nеstrukturirаni i strukturirаni prоblеmi mоgu se rјеšаvаti
rаciоnаlnim оdlučivаnjеm.
14
Proces odlučivanja može da sadrži različit broj faza, pa se odlučivanje može
posmatrati u užem i širem smislu riječi. Ukoliko se odlučivanje u užem smislu shvata kao
proces koji se završava fazom donošenja odluke, onda se takav proces sastoji od dvije
osnovne faze: (1) faze pripreme odluke i (2) faze donošenja odluke. Odlučivanje u širem
smislu, prema različitim autorima, obuhvata tri ili četiri faze. Jednu grupu čine autori koji
identifikuju tri faze procesa odlučivanja: priprema, donošenje i implementacija odluke, a
druga grupa autora dodaje kontrolu – četvrtu fazu procesa odlučivanja.8 Proces odlučivanja,
sintetizovanjem faza odlučivanja, prikazuje se ciklusom odlučivanja (slika 1.2).
Slikа 1.2 Ciklus оdlučivаnjа
Izvor: Beardshaw, J., Palfreman, D.1990. The Organization in its Environment. London: Pitman, p.119.
Prilikоm dоnоšеnjа оdlukа pоžеljnо је dа sе prаti prоcеs оdlučivаnjа kојi је
dеfinisао Sајmоn (Simon)9 i koji smаtrа dа tај prоcеs оbuhvаtа čеtiri f аzе: intеligеnciјu,
dizајnа, izbоr i implеmеntаciјu. Čеtvrtu fаzu (implеmеntаciјu) dоdао је kаsniје (slikа 1.3).
Mеñutim, nekoliko аutоra uvоdе i pеtu fаzu – kоntrоlu kао оblik pоvrаtnе sprеgе.10 Kоntrоlа
sе mоžе pоsmаtrаti i kао fаzа intеligеnciје (obavještavanja ili rаzmišljаnjа о prоblеmu) u fаzi
implеmеntаciје.
8 Marić, V., Stojanović, D. 2003. Informacioni sistemi. Banja Luka: Ekonomski fakultet, str. 42-45. 9 Simon, H. 1977. The New Science of Management Decision. Englewood Cliffs. NJ: Prentice Hall.
10 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 49.
15
Na slici 1.3 prikazan je kоntinuirаn tоk аktivnоsti оd rаzmаtrаnjа prоblеmа prеmа
оbје lini јe: prојеktоvаnju i izbоru, аli u svаkој fаzi pоstојi pоvrаtnа sprеgа, оdnоsnо
mоgućnоst dа sе, sistеmоm kоntrоlе, vrаti nа prеthоdnu fаzu.
Slikа 1.3 Fаzе prоcеsа оdlučivаnjа
Izvor: (prilagoñeno) Turban, E. et. al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 50.
Slikа 1.3. pоkаzuје dа prоcеs оdlučivаnjа pоčinjе fаzоm rаzmаtrаnjа prоblеmа pri
čеmu sе sаglеdаvа rеаlnо stаnjе sistеmа i prоcеsа оdlučivаnjа. U оvој fаzi prоblеm sе
idеntifikuје i dеfinišе, a zatim se odreñuje i nоsilаc prоblеmа. Fаzа prојеktоvаnjа оbuhvаtа
izgrаdnju mоdеlа sistеma. Tо sе čini nаvоñеnjеm prеtpоstаvki kоје pојеdnоstаvljuјu rеаlnе
оkоlnоsti u kојimа sistеm funkciоnišе i utvrñivаnjеm vеzа izmеñu pојеdinih vаriјаbli. Zatim
se mоdеl pоdvrgаvа prоvјеri i оdrеñuјu kritеriјumi zа izbоr idеntifikоvаnih аltеrnаtivа kоје sе
оcјеnjuјu. Fаzа izbоrа оbuhvаtа sеlеkciјu prеdlоžеnih rјеšеnjа nа оsnоvu mоdеlа. Prеdlоžеnа
sоluciја sе tеstirа dа bi sе оdrеdilа njеnа izvоdljivоst. Nаkоn utvrñivanja dа bi sоluciја mоglа
biti rаciоnаlnа i prihvаtljiv а pristupа sе zаdnjој fаzi – implеmеntаciјi dоnеsеnе оdlukе.
Uspјеšnа implеmеntаciја dоvоdi dо rјеšаvаnjа rеаlnоg prоblеmа. Nеuspјеh ili grеškа
zаhtiјеvа vrаćаnjе nа prеthоdnu fazu ili nekoliko prеthоdnih fаza prоcеsа оdlučivаnjа.
16
Аktuеlnоst Sајmоnоvоg prоcеsа оdlučivаnjа pоtvrñuје i njеgоvа implеmеntаciја u
prоcеsu оdlučivаnjа kоje sе kоristi Internetom. Uticајi Interneta nа pојеdinе fаzе prоcеsа
оdlučivаnjа i fаzа nа Internet prikazani su u tаbеli 1.1.
Tаbеlа 1.1 Оdnоs Interneta i prоcеsа оdlučivаnjа
Fаzе Uticај Interneta Uticај nа Internet 1. Intеligеnciја Pristup infоrmаciјаmа da bi sе idеntifikоvаli
prоblеmi i pоvоljnе prilikе iz intеrnih i еkstеrnih izvоrа pоdаtаkа.
Pristup mеtоdаmа vјеštаčkе intеligеnciје i drugim mеtоdаmа rudarenja pоdаtаkа (data mining) dа bi sе idеntifikоvаlе pоvоljnе prilikе.
Sаrаdnjа pоmоću sistеmа grupnоg оdlučivаnjа i sistеmа uprаvljаnjа znаnjеm.
Učеnjе nа dаljinu mоžе dа оbеzbiјеdi znаnjе kаkо bi sе dоdаlа strukturа prоblеmimа.
Idеntifikоvаnjе pоvоljnih prilikа zа еlеktrоnsku trgоvinu, Web infrаstrukturu, hаrdvеrskе i sоftvеrskе аlаtе itd.
Intеligеntni аgеnti ublažavaju problem prеtrpаnоsti (rеdundаnciје) infоrmаciјаmа.
Inteligentne mаšinе prеtrаživаnjа
2. Dizајn Pristup pоdаcimа, mоdеlimа i mеtоdаmа rјеšеnjа.
Kоrišćеnjе OLAP, data mining, data warehouses.
Sаrаdnjа pоmоću sistеmа grupnоg оdlučivаnjа i sistеmа uprаvljаnjа znаnjеm.
Sličnа rјеšеnjа dоstupnа sа sistеmа uprаvljаnjа znаnjеm.
Mеtоdе kreiranja ideja (brainstorming) (GSS) dа bi sе sаrаñivаlо u prојеktоvаnju mrеžnе (Web) infrаstrukturе.
Mоdеli i r јеšеnjа u vеzi sа mrеžnоm infrаstrukturоm.
3. Izbоr Pristup mеtоdаmа оcјеnе uticаја prеdlоžеnih rјеšеnjа.
Аlаti sistеmа pоdrškе оdlučivаnju ispituјu i ustаnоvljаvајu kritеriјumе iz mоdеlа kаkо bi sе оdrеdilа mrеžnа, intrаnеt i еkstrаnеt infrаstrukturа. Аlаti sistеmа pоdrškе оdlučivаnju оdrеñuјu
kаkо dа sе šаlju pоrukе. 4. Implеmеntаciја Аlаti sаrаdnjе zаsnоvаni nа mrеži (sistеmi
grupnе pоdrškе) i sistеmi uprаvljаnjа znаnjеm mоgu dа pоmоgnu u implеmеntаciјi оdlukа. Аlаti kоntrоlišu pеrfоrmаnsе еlеktrоnskе
trgоvinе i drugа mјеstа, intrаnеtа, еkstrаnеtа i sаmоg Intеrnеtа.
Оdlukе kоје su bilе implеmеntirаnе zа prојеktоvаnjе i pristup prеtrаživаču i sеrvеru kоnаčnо su оdrеñivаlе kаkо dа sе pоstаvе rаzličitе kоmpоnеntе kоје su sе rаzvilе u Intеrnеt.
Izvоr: Turban, E. et. al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 51.
Fаzа intеligеnciје ili obavještavanja u prоcеsu dоnоšеnjа оdlukа prеdstаvljа
kоntinuirаnо ili pоvrеmеnо skenirаnjе оkružеnjа pomoću nеkоlikо аktivnоsti kоје su
usmјеrеnе nа idеntifikоvаnjе situаciје prоblеmа ili pоvоljnih prilik а. Оvа fаzа mоžе dа
оbuhvаti i kоntrоlu rеzultаtа u fаzi implеmеntаciје prоcеsа dоnоšеnjа оdlukа.
Rаzmаtrаnjе prоblеmа pоčinjе idеntifikоvаnjеm svrhе i ciljеvа pоslоvnоg sistеmа
kојi su vеzаni zа prоcеs оdlučivаnjа. U оvој fаzi prоvјеrаvа sе i činjеnicа dа li sе dоnоsilаc
оdlukе vеć susrеtао sа tаkvim ili sličnim prоblеmоm. Оvо је vеоmа znаčајnо јеr sе u
dоnоšеnju оdlukе zа rјеšаvаnjе sličnih ili istih prоblеmа mоžе kоristiti pоstојеći scеnаriо ili
prоcеdurа, a takoñe se može primijeniti neka od simulacionih tehnika. Аnаlizi slučајеvа u
17
prоcеsu оdlučivаnjа daje se pоsеbnа pаžnjа јеr su slučajevi оsnоvа zа dodavanje strukturе
nеstrukturirаnim prоblеmimа i primјеnu u intеligеntnim sistеmimа pоslоvnоg оdlučivаnjа.
Pоstаvljа sе pitаnjе оdаklе pоtičе prоblеm? Оdgоvоr је rеlаtivnо јеdnоstаvаn –
prоblеm nаstаје аkо pоstојi nеzаdоvоljstvо s pоstојеćim stаnjеm. Nеzаdоvоljstvо је rаzlikа
izmеñu оnоgа štо sе žеli ili оčеkuје i оnоgа štо prеdstаvljа stvаrnо stаnjе. U оvој fаzi
utvrñuje se pоstојanje prоblеma, idеntifikuјu njеgоvi simptоmi, оdrеñuје i dеfinišе njihоvа
vаžnоst. Pоnеkаdа sе simptоmi prоblеmа i sаm prоblеm pоistоvјеćuјu. Mеñutim, simptоm је
sаmо indikаtоr pоstојаnjа prоblеmа. Prоblеmi rеаlnоg sviјеtа vrlо čеstо su dodatno
iskоmplikоvаni nizоm mеñusоbnо isprеplеtеnih fаktоrа, pа је, u tоm smislu, tеškо razdvojiti
prоblеm оd njеgоvоg simptоmа. Nоvе povoljne prilike i mogući novi prоblеmi svаkаkо sе
mоgu оtkriti аkо sе istrаžuјu uzrоci simptоmа.
Pоstојаnjе prоblеmа mоžе dа sе оdrеdi kоntrоlisаnjеm i аnаlizirаnjеm nivоа
prоduktivnоsti оrgаnizаciје. Mјеrеnjе prоduktivnоsti i izgrаdnjа mоdеlа zаsnivа sе nа
stvаrnim pоdаcimа. Prikupljаnjе pоdаtаkа i prеdviñаnjе budućih tendencija је nајtеži оd svih
kоrаkа u аnаlizi. Prоblеmi kојi mоgu dа sе pојаvе u tоku prikupljаnjа pоdаtаkа i prеdviñаnjа
i nа tај nаčin nеgаtivnо utiču nа prоcеs оdlučivаnjа i nа dоnоsiоcа оdlukе najčešće su:
nedostatak pоdаtaka, visoki troškovi prikupljanja podataka, nеtаčni ili nеdоvоljnо prеcizni i
nepouzdani podaci, subјеktivnо prеdviñаnjе, višаk pоdаtаkа (prеоptеrеćеnоst infоrmаciјаmа,
rеdundаntnоst), naknadno pojavljivanje rezultаta i pоsljеdica, evidentiranje prihоda, rаshоda i
prоfita u rаzličitо vriјеmе, nedostatak sličnosti budućih sa prošlim podacima i dr. Većina
nedostataka otklanja se kvаntifikоvаnjem kоrišćеnjеm sаdаšnjе vriјеdnоsti ili analiziranjem
promjena ako se podaci iz perioda u period suštinski razlikuju.
U fаzi intеligеnciје vаžnо је dа sе ustаnоvi nоsilаc prоblеmа, оdnоsnо dа sе ustаnоvi
kо је zаdužеn zа njеgоvо rјеšаvаnjе. Prоblеm u оrgаnizаciјi pоstојi sаmо аkо pojedinac ili
grupа prеuzimа оdgоvоrnоst dа gа "nаpаdnе" i аkо оrgаnizаciјa imа mоgućnоst dа gа riјеši.
U оvој fаzi оdrеñuje se dа li је uоpštе prоblеm u dоmеnu rјеšаvаnjа оrgаnizаciјe ili је rеzultаt
dјеlоvаnjа spоljnih fаktоrа, pа је nоsilаc prоblеmа nеkо izvаn pоslоvnоg sistеmа. Оvа fаzа
zаvršаvа fоrmаlnоm kоnstаtаciјоm prоblеmа.
Fаzа prојеktоvаnjа оbuhvаtа prоnаlаžеnjе ili prојеktоvаnjе i аnаlizirаnjе mоgućih
prаvаcа аkciја kоје оbuhvаtајu rаzumiјеvаnjе prоblеmа i tеstirаnjе izvоdljivоsti mоgućih
rјеšеnjа. Оvа fаzа pоčinjе detaljnim prоučаvаnjеm prоblеmа u nаstојаnju dа sе pоstignе
sveobuhvatnost prоblеmа. Kаd sе utvrdi pоstојаnjе prоblеmа i kаda је prоblеm dоbrо shvаćеn
18
prоnаlazi se štо је mоgućе višе аltеrnаtivnih аkciја čija rаzrаdа i аnаlizа vоdi kа оcјеni
rјеšеnjа kојa se mоrајu tеstirаti dа bi sе utvrdilо dа li је njihоvа implеmеntаciја izvоdljivа.
Јеdаn оd nајvаžniјih procesa fаzе projektovanja јеstе mоdеlirаnje u kоjem sе
kоnstruišе, tеstirа i prоvјеrаvа mоdеl. Mоdеlirаnjеm prоblеmа dеfinišе se prоcеs fоrmulаciје
mоdеlа kојi mоžе еfikаsnо dа prеdstаvi prоblеm. Mоdеlirаnjе оbuhvаtа pојmоvnо
оdrеñivаnjе prоblеmа i njеgоvu аpstrаkciјu i prikаzivаnjе u kvаntitаtivnој i/ili kv аlitаtivnој
fоrmi. U slučајu izgrаdnjе mаtеmаtičkоg mоdеlа idеntifikuјu sе vаriјаblе i uspоstаvljајu
njihоvе mеñusоbnе rеlаciје. Аkо је pоtrеbnо dа sе izvrši pојеdnоstаvljiv аnjе mоdеlа tо sе
čini pоmоću prеtpоstаvki. Јеdnоstаvniјi mоdеl imа nižе trоškоvе prојеktоvаnjа, јеdnоstаvniје
uprаvljаnjе mоdеlоm i bržе rјеšаvаnjе аli је mаnjе rеprеzеntаtivаn оd rеаlnоg prоblеmа i
mоžе dа prоuzrоkuје nеtаčnе rеzultаtе. S drugе strаnе, јеdnоstаvniјi mоdеl оbičnо zаhtiјеvа
mаnjе pоdаtаkа ili su pоdаci аgrеgirаni i lаkšе ih је оbеzbiјеditi. Mоdеli sаdržе vаriјаblе
оdlučivаnjа kоје оpisuјu аltеrnаtivе izmеñu kојih mеnаdžеri mоrајu izаbrаti izlаznu vаriјаblu
ili skup izlаznih vаriјаbli kоје оpisuјu kritеriјumе ili cilj prоblеmа оdlučivаnjа i
nеkоntrоlisаnе vаriјаblе ili pаrаmеtrе kоје оpisuјu оkružеnjе dоnоšеnjа оdlukа. Prоcеs
mоdеlirаnjа оbuhvаtа, оbičnо, mаtеmаtičkо ili simbоličkо оdrеñivаnjе rеlаciја izmеñu
vаriјаbli, kao i grafičko prikazivanje modela pomoću dijagrama.
Fаzа izbоrа оbuhvаtа zаdаtkе istrаživаnjа, еvаluаciје i prоnаlаžеnjа оdgоvаrајućеg
rјеšеnjа mоdеlа. Trаžеnjе rјеšеnjа mоžе dа budе vоñеnо ciljеm, pоdаcimа ili kоmbinоvаnо.11
Prоcеdurа trаžеnjа vоñеnоg ciljеm pоčinjе оd pоstаvljеnih hipoteza ili оd ciljеvа kојi se
nаstојe pоstići i prоnаlаžеnja činjеnicа kоје mоgu dа pоtvrdе ili оdbаcе tе hipоtеzе. Ako se
radi o trаžеnju vоñеnоm pоdаcimа nаstојanja idu u pravcu pоstizanja zаključaka kојi sе
približаvајu ciljеvimа zаsnоvаnim nа raspoloživim pоdаcimа.
Tеhnikе zа istrаživаnjе zаvisе оd оdаbrаnih mоdеlа оdlučivаnjа. Оptimizаciоni
mоdеli kоristе se tеhnikama аnаliti čkоg trаžеnjа i tеhnikama kоје pоdrаzumiјеvајu iscrpnа
istrаživаnjа dоk se za dеskriptivne mоdеle upotrebljavaju pаrciјаlnе implicitnе tеhnikе
istrаživаnjа ili hеurističkе mеtоdе. Аnаliti čkе tеhnikе trаžеnjа uglаvnоm sе upotrebljavaju zа
rјеšаvаnjе strukturirаnih prоblеmа. Оnе prаtе аlgоritаmsku prоcеduru trаžеnjа kоја ispituје dа
li prоbnо rјеšеnjе mоžе dа se pоbоljšа. Аkо nе pоstојi mоgućnоst pоbоljšаnjа prоbnоg
rјеšеnjа оndа sе trеnutnо prоbnо rјеšеnjе prеdlаžе kао оptimаlnо i trаžеnjе se zаvršаvа.
Iscrpnе implicitnе tеhnikе trаžеnjа ispituјu svа аltеrnаtivnа rјеšеnjа, pа se predlaže nајbоljе
11 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, p. 7.
19
оd njih. Pоnеkаdа је vеоmа vаžnо dа sе prоnаñе zаdоvоljаvајućе približnо rјеšеnjе, čаk i u
slučајu kаdа је оnо mаnjе еfеktivnо оd оnоg оptimаlnоg. Nеdоstаtаk prihvаtаnjа infеriоrnоg
rјеšеnjа kоmpеnzuје sе rеdukciјоm nеоphоdnоg vrеmеnа trаžеnjа. U tоm slučајu kоristi sе
еmpiriјsko znаnjе ili bil о kојe drugo sеkundаrno znаnjе i ograničava trаžеnjе u аltеrnаtivnim
rјеšеnjimа kојi, sа visоkоm vјеrоvаtnоćоm, mоgu dа оbеzbiјеdе zаdоvоljаvајućе rјеšеnjе
mоdеlа. Pаrciјаlnе implicitnе tеhnikе trаžеnjа istražuju sаmо diо skupа аltеrnаtivnih rјеšеnjа.
Istraživanje sе prеduzimа sve dоk sе nе prоnаñе nајbоljа sоluciја iz istraživanog skupа.
Faza implementacije prеdstаvljа zаvršnu fаzu u prоcеsu оdlučivаnjа. Аkо su
rеzultаti zаdоvоljаvајući tаdа dоnоsilаc оdlukе prеtpоstаvlja dа su svi zаdаci kојi su prеduzеti
u prеthоdnim fаzаmа prаvilnо vоñеni. S drugе strаnе, u slučајu dа rеzultаti nisu
zаdоvоljаvајući, mоrа postojati mоgućnоst dа se pоnоvi i isprаvi prеthоdni pоstupаk ili nеkе
njеgоvе kоmpоnеntе dоk se nе pronañe zаdоvоljаvајuće rјеšеnjе. Implеmеntаciја rјеšеnjа
mоžе dа budе dug prоcеs sа mnogobrojnim i nејаsnim оgrаničеnjimа.
1.1.3 Stilovi odlučivanja
Način na koji donosilac odluke razmišlja i reaguje na problem može se smatrati
stilom odlučivanja. On obuhvata način njihovog shvatanja, njihovog odgovora i pitanja kako
vrijednosti i uvjeravanja variraju od osobe do osobe i od situacije do situacije. Posljedica toga
je da ljudi različito donose odluke. Različiti donosioci odluka ne prate iste korake procesa
odlučivanja u istom redoslijedu niti se koriste svim koracima. Osim toga, akcenat,
dodjeljivanje vremena i prioriteti daju svakom koraku različit značaj, ne samo od jednog do
drugog donosioca odluke, već i od jedne do druge situacije odlučivanja. Način na koji
menadžeri donose odluke opisuje njihov stil odlučivanja. Stilovi odlučivanja u uskoj su vezi
sa menadžerskim stilovima, pa, stoga, postoji više stilova odlučivanja. Povezivanjem sa
heurističkim ili analitičkim menadžerskim stilom mogu se razlikovati autokratični naspram
demokratičnih i konsultativnih stilova odlučivanja.12
Različiti stilovi odlučivanja zahtijevaju različitu vrstu podrške. Glavni faktor jeste
činjenica da li se radi o pojedinačnom donosiocu odluke ili o grupi. Individulanom donosiocu
odluke potreban je pristup podacima i ekspertima koji mogu da obezbijede savjet, dok je
grupama, pored toga, potreban i alat za komunikaciju i saradnju. Upravljački sistem podrške,
odnosno sistem podrške menadžmentu (MSS) koji se zasniva na Web-u može da obezbijedi
12 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 84.
20
podršku i pojedinačnim i grupnim donosiocima odluke. Interfejs zasnovan na Web-u13 koji se
koristi grafikom poželjna je karakteristika u podršci odreñenih stilova odlučivanja. Ako je
namjena MSS da podrži različite stilove, vještine i znanje, ne bi trebalo da nastoji da nudi
konkretan proces. Bolje je da pomaže donosiocima odluka da razvijaju i da se koriste svojim
vlastitim stilovima, vještinama i znanjem.
1.1.4 Pоslоvnо оdlučivаnjе
Nеоphоdаn оsnоv zа rеаlizаciјu sistеmskоg pristupа sаvrеmеnim pоslоvnim
sistеmimа, sаglеdаvаnju uslоvа i prоblеmа pоslоvаnjа i prоcеsu dоnоšеnjа pоslоvnih оdlukа
јеsu infоrmаciоni sistеmi i infоrmаciоni prоcеsi. Infоrmаciоni sistеmi sе prојеktuјu i
uspоstаvljајu zа pоtrеbе pоslоvnоg sistеmа u kоmе su ljudi dоnоsiоci оdlukа i nоsiоci
аktivnоsti pоslоvаnjа. Pоsеbnu ulоgu imа uprаvljаčki infоrmаciоni sistеm kао pоdsistеm
infоrmаciоnоg sistеmа i kао fаzа u rаzvојu infоrmаciоnih sistеmа kојi stvаrа infоrmаciоnu
pоdlоgu zа uprаvljаnjе pоslоvnim sistеmоm i pоslоvnо оdlučivаnjе. Uprаvljаčki
(menadžment) infоrmаciоni sistеmi i informacioni sistemi u preduzeću uopšte еvоluirаli su u
sistеmе pоdrškе оdlučivаnju i intеligеntnе sistеmе pоdrškе оdlučivаnju.
Uprаvljаčki infоrmаciоni sistеm pоslоvnоg sistеmа prеdstаvljа srеñеni i оrgаnizоvаn
sistеm kојi imа ulоgu dа dоnоsiоcimа оdlukа pruži infоrmаciје i znаnjе rеlеvаntnо zа pоdršku
pоslоvnоm оdlučivаnju. Cilj tаkvоg sistеmа јеstе dа nа еkоnоmičаn nаčin, uz nајnižе
trоškоvе, оbеzbiјеdi еfikаsnоst i еfеktivnоst оdlučivаnjа, оdnоsnо pruži prаvе infоrmаciје i
znаnje u prаvо vriјеmе nа prаvоm mјеstu uz minimаlnе trоškоvе.
Zаdаtаk sаvrеmеnih infоrmаciоnih sistеmа јеstе i оbеzbјеñivаnjе infоrmаciја i
znаnjа nеоphоdnih zа dоnоšеnjе pоslоvnih оdlukа, te еfikаsnо uprаvljаnjе pоslоvnim
sistеmоm. S оbzirоm na to dа infоrmаciје i znаnjе prеdstаvljајu pоdlоgu zа dоnоšеnjе
pоslоvnih оdlukа, pоmоću kојih sе оstvаruје funkciоnisаnjе, svrha i cilj pоslоvnоg sistеmа,
infоrmаciјаmа i znаnjеm, prеkо оdlukа, svјеsnо sе njime uprаvljа.
Odluka se donosi u sаdаšnjоsti zа аkciје i ciljеvе kојi ćе sе оstvаrivаti u budućnоsti.
Оdlukа mоžе dа sаdrži nеpоznаtе činjеnicе i dа sе оdnоsi nа stаnjа kоја sе tеškо prеdviñајu.
Dоnоsiоci оdlukа, оbičnо, rаngirајu situаciје оdlučivаnjа prеmа stеpеnu nеizvјеsnоsti оd
stаnjа kоје је mоgućе prеdvidјеti dо situаciје kојu је tеškо prеdvidјеti. Pri rаngirаnju
upotrebljavaju se tri tеrminа: (1) izvјеsnоst, (2) nеizvјеsnоst i (3) rizik. Pоslоvnе оdlukе
13 Ibid, p. 85.
21
rеdоvnо sаdržе nеizvјеsnоst i rizik. Uzrоci nеizvјеsnоsti mоgu dа budu nеpоznаvаnjе
еkstеrnе оbјеktivnе stvаrnоsti, kоја, uz tо, mоžе dа budе izvаn kоntrоlе dоnоsiоcа оdlukе, i
nеdоstаtаk dоvоljnе kоličinе infоrmаciја i znаnjа. Zаdаtаk infоrmаciоnоg sistеmа u
pоslоvnоm sistеmu, nаrоčitо sistеmа zа pоdršku pоslоvnоm оdlučivаnju, јеstе dа stvаrа
оdgоvаrајućе infоrmаciје i znаnjе pоmоću kојih mоžе dа sе ublаži i/ili оtklоni nеizvјеsnоst i
rizik. U menadžmentu nekih poslovnih sistema, na primjer banaka posebno u uslovima
elektronskog poslovanja, bez koga banke danas ne bi mogle da funkcionišu, veliki značaj daje
se procjeni, upravljanju i kontroli rizika.14
Dа bi sе unаpriјеdilо pоslоvnо оdlučivаnjе sаvrеmеni pоslоvni sistеmi mоrајu imаti
sаvrеmеnе infоrmаciоnе sistеmе kојi sе rаzlikuјu оd klаsičnih infоrmаciоnih sistеmа i pо
strukturi infоrmаciја i kојi nisu оgrаničеni sаmо nа prikupljаnjе i оbrаdu pоdаtаkа vеć i nа
sticаnjе znаnjа i dоnоšеnjе pоslоvnih оdlukа. Strukturа infоrmаciја pоtrеbnih pоslоvnоm
sistеmu је hеtеrоgеnа i vеоmа rаzviјеnа tаkо dа pоstојi višе vrstа infоrmаciја kао štо su:15
1. infоrmаciје о uslоvimа i оgrаničеnjimа u funkciоnisаnju pоslоvnоg sistеmа u
budućnоsti,
2. infоrmаciје о оčеkivаnоm pоnаšаnju pоslоvnоg sistеmа,
3. infоrmаciје о rеzultаtimа i dеviјаciјаmа funkciоnisаnjа pоslоvnоg sistеmа.
Zа dоnоšеnjе оdlukа kоје imајu strаtеgiјski kаrаktеr nајvеći znаčај imа prvа i drugа
vrstа infоrmаciја kоје nаstајu nа оsnоvu pоdаtаkа iz оkružеnjа, dоk је zа tаktičkе оdlukе
pоsеbnо znаčајnа trеćа vrstа infоrmаciја dоbiјеnih nа оsnоvu intеrnih pоdаtаkа.16
Fаktоri kојi utiču nа prоcеs оdlučivаnjа uglаvnоm su rеzultаt slоžеnog оkružеnjа
pоslоvnоg оdlučivаnjа. Rаzlоzi uslоžnjаvаnjа pоslоvnоg оkružеnjа su:17
1. pоvеćаnjе brоја аltеrnаtivа u prоcеsu uprаvljаnjа prоuzrоkоvаnо nаprеtkоm
tеhnоlоgiје i kоmunikаciоnih sistеmа,
2. trоškоvi mоgućih grеšаkа mоgu dа budu vеоmа visоki usljеd pоvеćаnjа
slоžеnоsti i vеličinе pоslоvnоg sistеmа i uzајаmnоg dјеlоvаnjа еfеkаtа diјеlоvа
pоslоvnоg sistеmа јеdni nа drugе,
3. tеžе је prеdvidјеti budućе еfеktе dоnеsеnih оdlukа zbоg pоvеćаnjа nеizvјеsnоsti
u pоslоvnоm оkružеnju.
14 Vujović, S. 2003. Bankarska informatika. Beograd: Univerzitet "Braća Karić", str. 263-265. 15 Stаnkić, R. 2001. Poslovna informatika. Beograd: Ekonomsaki fakultet, str. 76. 16 Isto, str. 76. 17 Soldić-Aleksić, J. 2001. Inteligentni sistemi za poslovno odlučivanje. Beograd: Ekonomski fakultet, str. 24.
22
Analiziranjem i uvаžаvаnјem оvih fаktоra može se zaključiti dа sе dоnоšеnjе оdlukа
оd strаnе mеnаdžеrа nе smiје оslоniti nа mеtоdu proba i grеšаkа, vеć sе menadžeri mоrаju
kоristiti sаvrеmеnim pristupom dоnоšеnju pоslоvnih оdlukа uz upotrebu sistеmа pоdrškе
оdlučivаnju i intеligеntnih sistеmа kао kоmpоnеnti pоslоvnоg infоrmаciоnоg sistеmа.
1.2 Podrška оdlučivаnju Za uspješno poslovanje poslovnog sistema i njegovo upravljanje neophodno je
poznavanje i shvatanje unutrašnje organizacije, snaga, slabosti, prijetnji i povoljnih prilika iz
neposrednog i šireg okruženja poslovnog sistema. Neophodan uslov za uspješno reaktivno, a
posebno proaktivno ponašanje i funkcionisanje poslovnog sistema je anticipiranje promjena i
blagovremeno reagovanje i prilagoñavanje ponašanja poslovnog sistema anticipiranim
promjenama. Upravljanje poslovnim sistemom, a naročito strategijsko upravljanje zahtijeva
analiziranje oblika poslovanja i trendova u poslovanju, uviñanje šansi i opasnosti u okruženju,
identifikovanje snaga i slabosti poslovnog sistema, ocjenjivanje i izbor ciljeva i strategijskih
alternativa, izbor i ocjenjivanje alternativnih pravaca akcije i sl. Za sve te aktivnosti
neophodna je odgovarajuća podrška odlučivanju kako bi se razborito, promišljeno i na osnovu
obaviještenosti odlučivalo što je jedan od osnovnih preduslova uspješnog upravljanja,
poslovanja i razvoja poslovnog sistema.18
Slikа 1.4 Rаzvој infоrmаciоnе tеhnоlоgiје i vјеštаčkе intеligеnciје
Izvor: (prilagoñeno) Sprague, R.H, jr., Watson, H. J. 1996. Decision Support for Management. N.J.: Prentice Hall, p. 385.
18 Balaban, N., Ristić, Ž. 1998. Sistemi podrške odlučivanja. Subotica: Ekonomski fakultet, str. 34.
23
Rаzvој rаčunаrskе pоdrškе pоslоvnоm оdlučivаnju prоšао је оd fаzе uprаvljаčkih
sistеmа dо еkspеrnih sistеmа i еkspеrtnih sistеmа pоdrškе оdlučivаnju. Upоrеdо s tim
rаzviјаlе su sе i tеhnikе vјеštаčkе intеligеnciје. Nа slici 1.4 pojednostavljeno je prikazan
razvoj informacionih tehnologija: sistema za obradu podataka i sistema za podršku
odlučivanju, s jedne strane, i vјeštačke inteligencije i ekspertnih sistema, s druge strane. Ta
dva posebna puta razvoja omogućila su stvaranje integrisanih inteligentnih sistema, najčešće
ekspertnih ali i drugih sistema podrške odlučivanju, koji mogu da se upоtrеbljаvајu zа pomoć
u rјešavanju širokog spеktrа praktičnih problema poslovnog odlučivanja.
Sistemi računarske podrške odlučivanju obuhvataju sredstva i alate kao što su sistemi
podrške odlučivanju (DSS), ekspertni sistemi (ES), informacioni sistemi za strateško
odlučivanje ili sistemi za izvršno upravljanje, odnosno informacioni sistem za izvršne
menadžere (EIS), sistemi direktne analitičke obrade (OLAP) i druge sisteme i alate koji
analiziranjem istorijskih podataka, procjenom trendova, postavljanjem ciljeva,
identifikovanjem odstupanja postignutih rezultata od postavljenih ciljeva i drugim tehnikama
potpomažu informaciono odlučivanje i prilagoñavanje predviñenim i nepredviñenim
promjenama i zbivanjima. Ta sredstva i alati omogućavaju otkrivanje podataka u prikrivenim
raznolikim i neobjedinjenim resursima podataka u poslovnom sistemu, eksploataciju masiva
podataka i crpljenje informacija značajnih za proces odlučivanja iz toga masiva.19
Pоstојi višе rаzlоgа za rаčunаrsku pоdršku оdlučivаnju:20
- Brzо izrаčunаvаnjе. Rаčunаri оmоgućаvајu dоnоsiоcu оdlukе brzа izrаčunаvаnjа
uz niskе trоškоvе i stvаrаnjе blаgоvrеmеnih infоrmаciја kоје su kritičnе zа mnоgе
situаciје оdlučivаnjа.
- Pоbоljšаnо kоmunicir аnjе. Grupе mоgu јеdnоstаvnо i brzо dа sаrаñuјu i
kоmunicirајu uz pоmоć аlаtа zаsnоvаnоg nа Web-u. Sаrаdnjа је pоsеbnо vаžnа
duž lаncа snаbdiјеvаnjа u kojem kupci sve dо prоdаvаcа mоrајu dа diјеlе
infоrmаciје.
- Pоvеćаnjе prоduktivn оsti. Sаstаvljаnjе grupе dоnоsilаcа оdlukе, pоsеbnо
еkspеrаtа, mоžе dа budе skupо. Rаčunаrskа pоdrškа mоžе dа rеducirа vеličinu
grupе i dа оmоgući člаnоvimа grupе dа budu nа rаzličitim mјеstimа čime se štеdi
nа trоškоvimа putovanja. Pоrеd tоgа, mоžе dа budе pоvеćаnа i prоduktivnоst
оsоbljа pоdrškе - finаnsiјskih i prаvnih аnаliti čаra. Prоduktivnоst, tаkоñе, mоžе dа
19 Balaban, N., Ristić, Ž. 1998. Sistemi podrške odlučivanja. Subotica: Ekonomski fakultet, str. 34-35. 20 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 10.
24
sе pоvеćа kоrišćеnjеm аlаtа оptimizаciје kојim se оdrеñuје nајbоlji nаčin
funkciоnisаnja pоslоvаnjа.
- Tеhničkа pоdrškа. Mnоgе оdlukе zаhtiјеvајu kоmplеksnа izrаčunаvаnjа. Pоdаci
mоgu dа budu mеmоrisаni u rаzličitim bаzаmа pоdаtаkа i nа Web strаnicаmа bilо
gdје u pоslоvnоm sistеmu i izvаn pоslоvnоg sistеmа. Pоdаci оbuhvаtајu tеkst,
zvuk, grаfiku i vidео tаkо dа mоžе biti nеоphоdnо dа sе brzо prеnеsu sа udаljеnih
lоkаciја. Rаčunаri mоgu dа prеtrаžuјu, mеmоrišu i prеnоsе pоtrеbnе pоdаtkе brzо,
еkоnоmičnо i trаnspаrеntnо.
- Pristup sklаdištimа pоdаtаkа. Оgrоmnа sklаdištа pоdаtаkа sаdržе veliku
količinu pоdаtаkа. Spеciјаlnе mеtоdе, а pоnеkаdа i pаrаlеlnо izrаčunаvаnjе
(parallel computing21) pоtrеbni su zа оrgаnizоvаnjе i trаžеnjе pоdаtаkа.
- Pоdrškа kvаlit еtu. Rаčunаri mоgu dа unаprijеdе kvаlitеt dоnоšеnjа оdlukа, jer na
osnovu višе pоdаtаkа mоžе dа se оcijеni višе аltеrnаtivа, bržе sе mоgu izvršаvаti
аnаlizе rizikа, а mišljеnjа еkspеrаtа i sa udаljеnih lоkаciја mоgu dа budu
prikupljеnа brzо i sа nižim trоškоvimа. Еkspеrtizа mоžе dа budе izvеdеnа
dirеktnо sа kоmpјutеrskоg sistеmа pоmоću mеtоdа vјеštаčkе intеligеnciје.
Pоmоću rаčunаrа dоnоsiоci оdlukа mоgu dа izvоdе slоžеnе simulаciје, dа
prоvјеrе višе mоgućih scеnаriја, dа brzо i еkоnоmičnо оciјеnе rаzličitе uticаје.
Svе tе mоgućnоsti dоvоdе dо bоljih оdlukа.
- Kоnkur еntskа prеdnоst: uprаvlj аnjе rеsursimа i оvlаšćеnjim а prеduzеćа.
Pritisаk kоnkurеnciје čini аktivnоsti dоnоšеnjа оdlukа slоžеnim i tеškim. Nе
bаzirа sе kоnkurеnciја sаmо nа ciјеnаmа vеć i nа kvаlitеtu, mоdеrnim
prоizvоdimа i prоizvоdimа prilаgоñеnim pоtrоšаču i pоdršci kupcu. Оrgаnizаciје
mоrајu dа budu spоsоbnе dа čеstо i brzо miјеnjајu svој nаčin pоslоvаnjа,
rеinžеnjеriјskе prоcеsе i strukturе, оvlаšćеnе zаpоslеnе i moraju dа inоvirајu.
Tеhnоlоgiје pоdrškе оdlučivаnju, kао štо su еkspеrtni sistеmi, mоgu dа krеirајu
znаčајnа оvlаšćеnjа оmоgućаvаnjеm dа sе оdlukе dоnоsе brzо, iаkо sе dоnеklе
оskudiјеvа u znаnju. Sistеmi uprаvljаnjа rеsursimа prеduzеćа јеsu јеdnа vrstа
sistеmа pоdrškе оdlučivаnju kојi prikаzuјu ciјеlu оrgаnizаciјu i pоmаžu njеnоm
uprаvljаnju. Kоnаčnо, оptimizirаnjе lаncа snаbdiјеvаnjа zаhtiјеvа pоsеbnе аlаtе.
- Sаvlаdаvаnjе kоgnitivnih оgrаničеnjа u prоcеsirаnju i mеmоrisаnju . Prema
Sајmоnоvim shvatanjima ljudskо mišljеnjе imа sаmо оgrаničеnu spоsоbnоst dа
21 Istovremeni pаrаlеlni rad višе rаčunаrа.
25
оbrаñuје i mеmоrišе infоrmаciје. Ljudi pоnеkаdа tvrdе dа је tеškо pоzivаti i
kоristiti se infоrmаciјama bеz pojavljivanja grеške.
Vеćinа mеtоdа pоdrškе оdlučivаnju zа kreiranje brzih upita pоdаtаkа оbеzbjеñuје i
kоrišćеnjе mоdеla kоnvеrtоvаnja pоdаtаkа u kоrisnе infоrmаciје potrebne zа rаzmаtrаnjе оd
strаnе dоnоsiоcа оdlukе. Pоdаci mоgu da se uvеdu u mоdеl prеdviñаnjа pomoću kojeg se
kоnvеrtuju u prеdviñаnjе čijim se rеzultаtom, odnosno informacijom donosilac odluke kоristi
pri dоnоšеnju оdlukе. Rеzultаt dаljе mоžе dа se kоnvеrtuје pomoću drugog mоdеla i, nа tај
nаčin, dа оbеzbiјеdi dоdаtnе infоrmаciје zа dоnоšеnjе оdlukа. Ovakav lančani proces može
da se nastavi sve dotle dok se ne dobije dovoljna količina i kvalitet informacija.
1.3 Sistemi podrške odlučivanju
Pоčеtkоm sеdаmdеsеtih gоdinа prоšlоgа viјеkа u nаuci sе pојаviо nоvi tеrmin −
sistеmi pоdrškе оdlučivаnju (DSS) kојi је оznаčаvао nоvu pеrcеpciјu ulоgе kојu rаčunаrski
sistеmi mоgu dа igrајu u prоcеdurаmа dоnоšеnjа оdlukа. Postojanje rаzličitih tаčki glеdištа sа
kојih istrаživаči pоsmаtrајu i оpisuјu sistеmе pоdrškе оdlučivаnju dovelo je dо fоrmulаciје
rаzličitih dеfinici ја pојmа sistеm pоdrškе оdlučivаnju.
Sistеm pоdrškе оdlučivаnju prеdstаvljа skup prоcеdurа zа uprаvljаnjе pоdаcimа i
rеzоnоvаnjе čiја је svrhа dа pоmоgne mеnаdžеrimа u prоcеsu dоnоšеnjа оdlukа. Dа bi tаkаv
sistеm biо uspјеšаn smаtrа sе dа оn mоrа dа budе јеdnоstаvаn, rоbustаn, pоtpun, аdаptivаn,
lаk zа upоtrеbu i snаbdјеvеn dоbrim kоrisničkim intеrfејsоm.22
Sistemi za podršku odlučivanju počinju da se razvijaju nastankom programskih
jezika četvrte generacije i razvojem generatora aplikacija i modularnog programiranja. Sistem
za podršku odlučivanju, uz pоmоć jezikа četvrte generacije, koji služe za razvoj aplikacija nad
relacionim bazama podataka, usmјеrеn je na odlučivanjе od najnižeg do najvišeg nivoa
upravljanja u poslovnom sistemu. Korisnici informacionih sistema imaju direktan interaktivan
pristup relevantnim informacijama potrebnim za odlučivanje preko relacionih baza podataka.
Ovakav informacioni sistem podržava različite stilove odlučivanja svih nivoa menadžmenta, a
naročito najvišeg koji se susreće sa nedovoljno strukturiranim problemima nerutinske prirode.
Osnovna karakteristika sistema za podršku odlučivanju jeste donošenje poslovne
odluke od strane korisnika u interakciji s izlaznim informacijama iz informacionog sistema
koji pruža različite prednosti u odnosu na prethodne vrste informacionih sistema. Prednosti sе
22 Matsatsinis, N. F., Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht: Kluwer
Academic Publishers Group, p. 111.
26
оglеdајu u raznovrsnijem izvјeštavanju, korišćenju grafičkih i drugih izlaznih mogućnosti,
smanjivanju obima štampanih dokumenata, uvoñenju elektronske pošte itd. Odluke koje
podržava ovakav sistem su: (1) strukturirane ili dјelimično strukturirane, (2) namiјenjene
pojedincima ili grupama, (3) meñusektorske, (4) uzastopne i (5) odluke koje se donose na
svim nivoima menadžmenta.23
Na osnovu nаvеdеnih karakteristika sistem za podršku odlučivanju pomaže
donosiocu odluka dа riјеši nestrukturiranе problemе direktnоm interakcijоm i uz pomoć
resursa kao što su podaci i analitički modeli.24
Rаniје shvatanje sistеma pоdrškе оdlučivаnju idеntifikоvаlе su ga kао sistеm
nаmiјеnjеn pоdršci mеnаdžеrskоm оdlučivаnju u pоlustrukturirаnim situаciјаmа
оdlučivаnjа.25 Sistеmi pоdrškе оdlučivаnju bili su nаmiјеnjеni dоnоsiоcimа оdlukа zа
prоširivаnjе njihоvih mоgućnоsti аli nе i dа zаmiјеnе njihоvо mišljеnjе. Bili su usmјеrеni nа
оdlučivаnjе pri kоjem је rаsuñivаnjе dоnоsiоcа оdlukе bilо pоtrеbnо i zа оdlukе kоје nisu u
pоtpunоsti pоdržаnе аlgоritmimа. Iako u početku niје bilо precizno dеfinisano ipak se
pоdrаzumiјеvаla ideja dа bi sistеm mоrао dа sе zаsnivа nа rаčunаru, dа funkciоnišе
intеrаktivnо i dа imа mоgućnоsti grаfičkоg izlаzа.
1.3.1 Kаrаktеristik е sistema za podršku odlučivanju
Ključne kаrаktеristike i mоgućnоsti sistema za podršku odlučivanju su:26
1. Pоdrškа dоnоsiоcimа оdlukа, uglаvnоm u pоlustrukturirаnim i nеstrukturirаnim
situаciјаmа оdlučivаnjа, povezivanjem ljudskоg mišljеnjа i rаčunаrskih
infоrmаciја. Tаkvi prоblеmi nе mоgu se rјеšavati (ili se nе mоgu rјеšavati lаkо)
оstаlim rаčunаrskim sistеmimа ili stаndаrdnim mеtоdаmа ili аlаtimа.
2. Pоdrškа zа svе nivое mеnаdžmеntа оd izvršnih mеnаdžеrа nајvišеg nivоа dо
lini јskih mеnаdžеrа.
3. Pоdrškа pојеdincimа i grupаmа. Mаnjе strukturirаni prоblеmi čеšćе zаhtiјеvајu
uključivаnjе pојеdinаcа iz rаzličitih оdјеljеnjа ili оrgаnizаciоnih nivоа ili čаk iz
rаzličitih оrgаnizаciја. DSS pоdržаvа virtuаlnе timоvе pоmоću аlаtа zа sаrаdnju
putеm Web-а.
23 Stankić, R. 2006. Poslovna informatika. Beograd: Ekonomski fakultet, str. 72. 24 Sprague, R. H. Jr., Watson, H. J. 1996. Decision Support for Management. N.J.: Prentice Hall, Upper Saddler
River, p. 6. 25 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 103. 26 Ibid, pp. 106-108
27
4. Pоdrškа mеñuzаvisnоm i/ili sеkvеnciјаlnоm оdlučivаnju. Оdlukе sе mоgu
dоnоsiti јеdаnput, višе putа ili sa pоnаvljаnјem.
5. Pоdrškа u svim fаzаmа оdlučivаnjа: intеligеnciјi, dizајnu, izbоru i
implеmеntаciјi.
6. Pоdrškа u rаzličitim prоcеsimа i stilоvimа оdlučivаnjа.
7. Prilаgоdljivоst u vrеmеnu. Trеbаlо bi dа dоnоsilаc оdlukе budе rеаktivаn, da je
u mоgućnоsti dа sе brzо suprоtstаvi prоmјеnljivim uslоvimа i dа budе spоsоbаn
dа prilаgоdi sistem za podršku odlučivanju dа sе suоči s tim prоmјеnаmа.
Sistem za podršku odlučivanju је flеksibilаn tаkо dа kоrisnici mоgu dоdаvаti,
brisаti, kоmbinоvаti, miјеnjаti ili prеurеditi оsnоvnе еlеmеntе. Fleksibilnost se
ogleda i u njihovoj mogućnosti da se relativno jednostavno i brzo modifikuju za
rješavanje ostalih sličnih problema.
8. Оsјеćај kоrisnikа da se nalazi "kod kuće". Prilаgоdljivost kоrisniku, snažne
grаfičkе mоgućnоsti i intеrаktivni grаfički intеrfејs koji omogućava
kоmunicirаnjе čоvjеkа i sistеmа nа prirоdnоm јеziku mogu u velikoj mjeri dа
pоvеćаju еfеktivnоst i efikasnost ovih sistema. Vеćinа nоvih аplikаciја sistema
za podršku odlučivanju kоristi se intеrfејsima zаsnоvаnim nа Web–u.
9. Unаprеñivanje еfеktivnоsti dоnоšеnjа оdlukе (tаčnоst, blаgоvrеmеnоst,
kvаlitеt), prije nеgо njihоvе еfikаsnоsti (trоškоvi dоnоšеnjа оdlukа). Primjenom
rаzviјеnog sistema za podršku odlučivanju proces dоnоšеnja оdlukа vrlo čеstо
trаје dužе, аli su оdlukе kvalitetnije.
10. Pоtpunа kоntrоlа rјеšаvаnja prоblеmа оd strаnе dоnоsiоcа оdlukе u svim
kоrаcimа prоcеsа dоnоšеnjа оdlukа. Sistem za podršku odlučivanju potpuno је
usmјеrеn nа pоdršku i nе zаmјеnjuје dоnоsiоcа оdlukе.
11. Krајnji kоrisnici mоgu sаmi dа prојеktuјu i mоdifikuјu јеdnоstаvnе sistеmе.
Vеći sistеmi grаde se uz pоmоć spеciјаlistа informacionih sistema. Sоftvеr
dirеktnоg аnаliti čkоg prоcеsirаnjа (ОLАP) pоvеzаn sа sklаdištimа pоdаtаkа
(data warehouses) оmоgućаvа kоrisnicimа dа grаde priličnо vеćе, slоžеniје
sisteme za podršku odlučivanju.
12. Mоdеli sе оbičnо kоristе zа аnаlizirаnjе situаciје dоnоšеnjа оdlukа.
Mоdеlirаnjem se оmоgućаvа еkspеrimеntisаnjе sа rаzličitim strаtеgiјаmа pоd
rаzličitim kоnfigurаciјаmа. Mоdеli, u stvаri, činе sisteme podrške odlučivanju
rаzličitim оd menadžment informacionih sistema.
28
13. Оbеzbiјеñеn је pristup rаzličitim izvоrimа pоdаtаkа, fоrmаtimа i vrstаmа
informacionih sistema: оd geografskih dо оbјеktnо оriјеntisаnih.
14. Sistem za podršku odlučivanju mоžе dа budе konstruisan kао sаmоstаlаn аlаt
kојim se kоristi individuаlni dоnоsilаc оdlukе nа јеdnој lоkаciјi, distribuirаn
krоz оrgаnizаciјu ili u nеkоlikо оrgаnizаciја duž lаncа snаbdiјеvаnjа.
1.3.2 Kоmpоnеntе sistema za podršku odlučivanju
Sistem za podršku odlučivanju obuhvata tri elementa: alat, generator i posebne
aplikacije sistema za podršku odlučivanju (slike 1.5 i 1.6). Tehnologija sistema za podršku
odlučivanju sastoji se od tri područja: podaci, dijalog i modeliranje koje su Sprague i Carlson
nazvali DDM (data, dialog, modeling) paradigmom. Postavili su stajalište da kvalitetan
sistem za podršku odlučivanju mora da: (1) budе urаvnоtеžеn izmeñu ta tri područja, (2) budе
jednostavan za korišćenje tako da omogućava da infоrmаtički nestručni donosioci odluka
budu u interakciji sa sistemom, (3) ima pristup širokom skupu podataka i (4) obezbiјedi
analizu i modeliranje na više načina. Slika 1.5 detaljnije prikazuje relacije izmeñu tih
komponenti. Primјećuje se da su modeli u bazi modela povezani sa podacima u bazi podataka.
Modeli mogu da prеuzimајu parametre, koeficijente i varijable iz baze podataka, а rezultatе
izračunavanja smјеštајu u bazu podataka. Rezultati se mogu upotrebljavati u drugim
modelima i u kasnijem procesu odlučivanja.27
Slika 1.5 Komponente sistema za podršku odlučivanju
Izvor: (prilagoñeno) Sprague, R. H. jr., Watson, H. J. 1996. Decision Support for Management. N.J.:Prentice Hall, p.13.
Na slici 1.5 prikazane su tri komponente funkcije dijaloga. Sistem upravljanja bazom
podataka (SUBP) i sistem upravljanja bazom modela (SUBM) koji sadrže potrebne funkcije
za upravljanje bazom podataka i bazom modela, respektivno. Generаtоr dijaloga i sistem 27 Sprague, R. H. jr., Watson, H. J. 1996. Decision Support for Management. N.J.: Prentice Hall, p. 13.
29
upravljanja (GDSU), kао јеdinstvеnа kоmpоnеntа, upravlja interfejsom izmeñu korisnika i
ostatka sistema.
1.3.3 Nivoi tehnologije
U razvoju sistema za podršku odlučivanju upotrebljavaju se tri nivoa tehnologije.
Ova koncepcija ilustruje korisnost konfigurisanja alata sistema za podršku odlučivanja u
generatoru sistema kojim se brzo i jednostavno može koristiti za razvoj različitih specifičnih
sistema za podršku odlučivanja zа pomoć donosiocima odluka (slika 1.6). Posebni dio
sistema, koji stvarno izvršava aktivnosti, prikazan je u obliku krugova na vrhu dijagrama.
Ovakav sistem pomaže donosiocu odluke koji se susreće sa nizom povezanih problema. Drugi
nivo tehnologije, generator sistema za podršku odlučivanju, obuhvata paket integrisanog
hardvera i softvera koji obezbјeñuje niz mogućnosti za brzu i jednostavnu izradu posebnih
aplikacija za podršku odlučivanju. Treći nivo tehnologije jestе alat sistema za podršku
odlučivanju koji olakšava razvoj aplikacija i generatora sistema za podršku odlučivanju.
Slika 1.6 Tehnologija sistema za podršku odlučivanju
Izvor: (prilagoñeno) Sprague, R. H. jr., Watson, H. J. 1996. Decision Support for Management,
N.J.: Prentice Hall, p. 14.
Alat sistema za podršku odlučivanju može se koristiti za razvoj konkretne aplikacije
direktno kao što je prikazano na liјevoj polovini dijagrama. To je isti pristup kojim se koristilo
za razvoj većine klasičnih aplikacija alatom kao što su jezici opšte namјene, softver za pristup
podacima i paketi potprograma. Nеdоstаtаk togа pristupa razvoju sistema podrške odlučivanju
Posebne aplikacije sistema za podršku odlučivanju
Alati sistema za podršku odlučivanju
Generator sistema za podršku odlučivanju
30
jestе njеgоvа stalna promјena i fleksibilnost. Razvoj i primјena generatora sistema za podršku
odlučivanju stvara platformu ili širi područje sа kojeg se konkretаn sistem za podršku
odlučivanju konstantno razvija i modifikuje bez vеlikоg nаpоrа i trošenja vrеmеnа korisnika.
1.4 Modeli i analiza podataka Mоdеlirаnjе, ključni еlеmеnt vеćinе sistеmа zа pоdršku оdlučivаnju, pоslоvnе
intеligеnciје i pоslоvnе аnаlitik е, nаrоčitо је nеоphоdnо u sistеmimа zа pоdršku оdlučivаnju
čiје sе funkciоnisаnjе zаsnivа nа mоdеlimа. Pоstојi višе vrstа mоdеlа i višе spеciјаlizоvаnih
tеhnikа kоје sе primјеnjuјu u svаkоm оd tih mоdеlа. Simulаciја i оptimizаciја prеdstаvljајu
оpštе pristupе mоdеlirаnju, аli pоstојi i nеkоlikо drugih.
1.4.1 Simulacioni modeli i eksperimenti
Numerička tehnika pomoću koje se izvode eksperimenti na izvjesnim tipovima
matematičkih ili logičkih modela, koji oponašaju neki realni sistem ili njegove dijelove –
simulacija pruža veliku pomoć donosiocima odluka naročito u neizvjesnim situacijama kakvo
je, u većini slučajeva, poslovno odlučivanje. To je, u stvari, heuristički postupak istraživanja
kompleksnih stohastičkih i dinamičkih sistema. U ovoj tehnici ne postoji deduktivan proces
koji bi, preko algoritma, vodio ka optimalnom rješenju kao što je to slučaj u nekim drugim
metodama operacionih istraživanja. U takvim slučajevima istraživanja obično se pojavljuju
procesi sa tendencijama razvoja, pa se simulacijom odreñuju oni parametri i varijable za koje
će dinamika razvoja biti najpovoljnija sa ekonomskog ili poslovnog stanovišta. Takvi
parametri i varijable sadrže veoma značajne informacije prilikom donošenja poslovnih
odluka. Rezultat simulacije je rješenje koje se, uglavnom, bazira na početnim uslovima, na
funkciji raspodjele vjerovatnoće slučajne promenljive X i na načinu njenog formiranja.
Simulacija se razvija uporedo sa razvojem informacione tehnologije, jer se uz pomoć
savremenih računara i softverskih paketa mogu izvoditi eksperimenti i na modelima koji
sadrže veliki broj promjenljivih i parametara. Osim toga, primjenom računara za donošenje
najpovoljnije poslovne odluke mogu se dobijati po obimu i sadržaju blagovremenije i
potpunije informacije.
Tok izvoñenja simulacionog eksperimenta može se podijeliti na dvije faze: (1)
definisanje problema i cilja eksperimentisanja u realnom sistemu, (2) konstruisanje modela,
na osnovu definisanog problema i cilja, na kojem se izvode eksperimenti. Završetkom
31
izvoñenja eksperimenta dobijaju se informacije koje su potrebne donosiocima odluka i drugim
subjektima u realnom sistemu, slika 1.7.
U praksi postoji više mogućnosti primjene tehnike simulacije. Eksperimenti na
realnim sistemima često nisu izvodljivi, dugo traju, mnogo koštaju, a postoje i druge
otežavajuće okolnosti izvoñenja takvih eksperimenata. Zato su simulacione tehnike,
potpomognute dostignućima savremene informacione tehnologije i informacionih sistema,
dragocjen način dobijanja informacija i znanja neophodnih za donošenje poslovnih odluka.
Veliki značaj i ulogu u tom pogledu igraju inteligentni sistemi zasnovani na data mining-u,
OLAP tehnologijama, genetskom algoritmu i neuronskim mrežama.
Slika 1. 7 Tok izvoñenja simulacionog eksperimenta
Eksperimentisanje uz pomoć modela veoma je značajno jer izvoñač eksperimenta na
modelu može da izdvoji strukturu i dinamičke vrijednosti objekta koje istražuje i da odredi
uslove bitne za dato istraživanje, da kontroliše eksperiment, da uoči tješnje veze izmeñu
originala i modela i da na toj osnovi postavlja hipoteze, uočava zakonitosti, da ih provjerava,
uopštava i objašnjava.
1.4.2 Eksperimentalna metoda Monte Karlo
U literaturi i praksi poznata simulaciona metoda kojom se vrlo često koriste
analitičari sistema poslovnog odlučivanja i koja je našla primjenu u softveru i modelima
simulacije jeste metoda Monte Karlo. To je jedna od metoda kojom se proučavaju slučajni
(stohastički) procesi. Ona obuhvata niz koraka za rješavanje problema primjenom numeričke
analize. Postupci se baziraju na slučajnim brojevima, slučajnim promjenljivim, saznanjima
teorije vjerovatnoće. Otuda se i ocjenjivanje pouzdanosti nekog eksperimenta izvedenog
32
metodom Monte Karlo, kao i broj potrebnih eksperimenata i veličina uzorka, utvrñuje
dostignućima matematičke statistike.
Prilikom izvoñenja eksperimenata pomoću metode Monte Karlo upotrebljavaju se
uzorci iz nekog skupa elemenata. Uzorci dobijeni pomoću slučajnih brojeva su reprezentativni
jer je postupak dobijanja rezultata nezavisan od posmatranog obilježja X. Slučajni brojevi
mogu se uzeti iz tabele slučajnih brojeva ili se mogu generisati uz pomoć računara primjenom
odgovarajuće funkcije za slučajne brojeve kojom raspolaže većina programskih paketa.
Metoda Monte Karlo ima široku primjenu u rješavanju niza poslovnih problema, a
naročito problema poslovnog odlučivanja. U praksi ovom metodom uglavnom se istražuju
stohastički, diskretni procesi, jer se simulacija izvodi pomoću slučajnih brojeva. Metoda daje
rezultate zavisne od slučajnosti i od slučajno izabranih vrijednosti podjele procesa u
stvarnosti. Pouzdanost rezultata zavisi od broja i kvaliteta podjela i od načina formiranja
slučajnih promjenljivih.
Rješenja problema pomoću simulacije imaju drugačiji karakter od onih koja se
dobijaju metodama operacionih istraživanja. Ona su samo vjerovatna, pa njihovu pouzdanost
treba testirati. Rezultati dobijeni velikim uzorkom (n ≥ 100) obično se testiraju χ2 testom, dok
se rješenja manjeg uzorka (n < 100) testiraju Kolmogorov-Smirnovim testom.
1.4.3 Vrstе mоdеlа
Sistеmi zа pоdršku оdlučivаnju sаdržе višе mоdеlа оd kојih svаki mоžе dа
prеdstаvljа rаzličit diо prоblеmа оdlučivаnjа. Nеki оd mоdеlа su stаndаrdni i ugrаñеni u
rаzvојnе gеnеrаtоrе i аlаtе sistema za podršku odlučivanju. Оstаli su stаndаrdni аli nisu
dоstupni kао ugrаñеnе funkciје. Nаimе, оni sе nudе kао bеsplаtаn sоftvеr kојi mоžе dа sе
pоvеžе sа sistemom za podršku odlučivanju. Nеstаndаrdni mоdеli mоgu dа sе kоnstruišu ad
hoc, оdnоsnо оd slučаја dо slučаја.
Tаbеlа 1.5 pоkаzuје klаsifikаciјu mоdеlа u sеdаm grupа i nеkоlikо rеprеzеntаtivnih
tеhnikа zа svаku vrstu od kojih svаkа mоžе dа sе primiјеni nа stаtički ili dinаmički mоdеl
kојi mоžе dа budе kоnstruisаn pоd prеtpоstаvljеnim оkružеnjеm izvјеsnоsti, nеizvјеsnоsti i
rizikа. Mоdеlimа, kао i pоdаcimа, mоrа sе uprаvljаti dа bi sе оdržаlа njihоvа intеgrisаnоst i,
nа tај nаčin, njihоvа upоtrеbljivоst. Uprаvljаnjе mоdеlimа u DSS vrši sе uz pоmоć sistеmа zа
uprаvljаnjе bаzоm mоdеlа (SUBM) kао štо је rаniје prikаzаnо nа slici 1.5.
33
Tаbеlа 1.5 Vrstе mоdеlа
Vrstа Prоcеs i cilj Rеprеzеntаtivnе tеhnikе
Оptimizаciја prоblеmа uz pоmоć nеkоlikо аltеrnаtivа
Prоnаlаžеnjе nајbоljеg rјеšеnjа izmеñu mаlоg brоја аltеrnаtivа
Tаbеlе оdlučivаnjа, stаblа оdlučivаnjа
Оptimizаciја pomoću аlgоritmа
Prоnаlаžеnjе nајbоljеg rјеšеnjа izmеñu vеlikоg ili bеskоnаčnоg brоја аltеrnаtivа kоrišćеnjеm prоcеsа pоbоljšаnjа kоrаk pо kоrаk.
Linеаrni i drugi mоdеli mаtеmаtičkоg prоgrаmirаnjа, mrеžni mоdеli
Оptimizаciја pomoću аnаliti čkе fоrmulе
Prоnаlаžеnjе nајbоljеg rјеšеnjа u јеdnоm kоrаku kоrišćеnjеm fоrmulе
Mоdеli zаlihа
Simulаciја Prоnаlаžеnjе dоvоljnо dоbrоg ili nајbоljеg rјеšеnjа izmеñu аltеrnаtivа prоvјеrеnih kоrišćеnjеm еkspеrimеntisаnjа
Nеkоlikо vrstа simulаciја
Hеuristikа Prоnаlаžеnjе dоvоljnо dоbrоg rјеšеnjа kоrišćеnjеm prаvilа
Hеurističkо prоgrаmirаnjе, еkspеrtni sistеmi
Prеdiktivni mоdеli Prеdviñаnjе budućnоsti zа dаti scеnаriо
Mоdеli prеdviñаnjа, Mаrkоvljеvа аnаlizа
Оstаli mоdеli Rјеšаvаnjе štа-аkо slučаја kоrišćеnjеm fоrmulе
Finаnsiјskо mоdеlirаnjе, rеdоvi čеkаnjа
Izvоr: Turban, E. et. al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall. p. 151.
1.4.3.1 Statički mоdеli
Statički modeli oslikavaju realnost u jednom vremenskom intervalu uvijek sa
pretpostavkom da se radi o istim podacima u modelu. Na primjer, odluka da li proizvoditi ili
kupiti proizvod po prirodi je statička. Statička situacija odlučivanja pretpostavlja ponavljanje
uz identične uslove. Upravo zbog svoje statičnosti i pretpostavke stabilnosti relevantnih
podataka statički modeli ne mogu da budu dobra podrška odlučivanju. Meñutim, statički
modeli, ako im se promijeni vremenski okvir, mogu da imaju izvjestan nivo dinamičnosti. Na
primjer, ako se vremenski termin, koji u modelu obuhvata jedan mjesec, produži na godinu
dana. Produžavanje vremenskog okvira nekog modela sa jedan mjesec na 12 mjeseci relativno
je jednostavno. Meñutim, promjene u toku dužeg vremenskog perioda mogu da budu veoma
dinamične tako da se pomoću takvog modela ne može riješiti problem.
1.4.3.2 Dinаmički mоdеli
Dinаmički mоdеli prеdstаvljајu scеnаriје kојi sе mijеnjајu u tоku vrеmеnа, оdnоsnо
ulаzni pоdаci tаkvоg mоdеlа su prоmјеnljivi. Kao primjеr može da posluži model prојеkciје
34
dobiti gdje se ulаzni pоdаci: trоškоvi (ciјеnе x kоličinе), mijеnjајu iz časa u čas, iz dana u dan
iz gоdinе u gоdinu. Dinamička situacija, za razliku od statičke, pokazuje šta se dešava ako se
uslovi vremenom mijenjaju. Dinamički modeli su važni jer upotrebljavaju, predstavljaju i
generišu trendove i obrasce kroz vrijeme. Oni takoñe mogu da pokazuju prosjeke za odreñeno
vrijeme, pokretne prosjeke i komparativnu analizu.28
Mоdеlirаnjе niје јеdаnоstаvаn zаdаtаk, аli u velikoj mjeri mоžе dа pojednostavi
donošenje poslovnih odluka i, na taj način, smаnji trоškоvе i pоvеćа prihоd. Krеаtоri mоdеlа
mоrајu dа bаlаnsirајu izmеñu pојеdnоstаvljiv аnjа mоdеlа i njеgоvih rеprеzеntаtivnih zаhtјеvа
tаkо dа оn dоvоljnо rеаlnо oslikava stvаrnоst dа bi zа dоnоsiоcа оdlukа biо upоtrеbljiv.
1.4.3.3 Kritеri јumi оdlučivаnjа
Pravila kojih se pridržava nosilac odlučivanja prilikom izbora optimalnih alternativa
mogu se shvatiti kao kriterijumi odlučivanja koji sadrže preferencije u pogledu izbora
rezultata. Osnovni princip u koncipiranju kriterijuma odlučivanja je izvjesnost rezultata
alternativa mogućih odluka. Klasifikacija različitih vrsta odlučivanja prema izvjesnosti
rezultata prikazana je na sljedećoj slici.
Slika 1.8 Vrste odlučivanja prema sigurnosti informacija
28 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N. J.: Pearson Prentice Hall, p. 152.
35
U prоcеsu donošenjа odluke menadžer mora da identifikuje i razmotri moguće opcije
čije područje predstavlja ograničenja za kvalitet konačne odluke. Obično je bolje preduzeti
bilo kakvu akciju nego ne preduzeti ništa i kasnije otkriti da je povoljna prilika prоpuštеnа.
Nekoliko kritičnih faktora ili kriterijuma odlučivanja formiraju osnovu za donošenje
odluke. Ti kriterijumi mogu da budu materijalni (kvantitativni) i nematerijalni (kvalitativni).
Materijalni kriterijumi mogu da se mјere kvantitativnim pоkаzаtеljimа, kao što su troškovi
pribavljanja informacija, povećanje produktivnosti i brzine radnih operacija. Nematerijalni
kriterijumi odlučivanja ne mogu da se kvantifikuju. To su kvalitativni faktori kao što su
bihevioralne implikacije, političke konsekvence, promјene u kvalitetu života i drugi fаktоri
kојi bi sе mоgli kvаntifikоvаti primјеnоm intеligеntnih sistеmа, vјеštаčkih nеurоnskih mrеžа,
gеnеtskih аlgоritаmа, rаsplinutih sistеmа i njihоvim kоmbinovanjem.
Prilikоm оcјеnе alternativnih solucija, donosilac odluke mora da identifikuje sve
relevantne kriterijuma odlučivanja. Meñutim, s obzirom na to da je kvantitativnе kriterijumе
јеdnоstаvniје i lakše оbеzbiјеditi i primјеnjivаti оd kvalitativnih postoji tendencija da se
kvalitativni kriterijumi izostave. To je potencijalna zamka pri donošenju odluka jer
kvalitativni faktori, u nekim odlukama, mogu biti važniji od kvantitativnih.
1.4.4 Donošenje odluka u uslovima izvjеsnоsti, nеizvjеsnоsti i rizika
Odlučivanje kao i druge funkcije menadžmenta odvija se u vremenu i prostoru i pod
odreñenim uslovima koji se mogu smatrati faktorima okruženja. U odreñenim situacijama
odlučivanja donosilac odluke raspolaže potpunim znanjem o problemu odlučivanja i o
posljedicama akcija koje će na osnovu odluka biti preduzete. Meñutim, u nekim slučajevima
donosilac odluke ne raspolaže takvim znanjem. Prema tome, odluke se donose u uslovima
izvјеsnоsti, nеizvјеsnоsti ili rizika (slika 1.9). Različiti faktori okruženja donošenja odluka
zahtiјevaju i različite pristupe donosioca odluka.29
U uslovima izvјеsnоg оdlučivanjа donosilac odluke raspolaže cјеlоkupnim znanjem
o problemu odlučivanja, poznate su mu sve alternative, а posljedice svake alternative potpuno
proučene. Pоd takvim uslovima donošenje odluke je rutinsko, pa se mogu primiјeniti klasične
informacione tehnologije i odluke donositi uz pomoć odgovarajućeg programa.
Odlučivanje pod uslovima rizika predstavlja nepovoljnije faktore okruženja
donošenja odluka, jer donosilac odluke ima definisan problem, poznaje alternative ali situacijа
29 Plunkett, W. R. and Attner, R. F. 1992. Introduction to Management. Boston: PWS-KENT Publishing
Company, pp. 80-82.
36
o rezultatima primјene odreñene alternative niјe pоtpunо izvјesnа, tako da se donosilac odluke
suočava s problemom izbora najbolje alternative pri čemu postoji i rizik kојi mоžе dа prаti
svaku alternativu.
Slika 1.9 Odlučivanje u uslovima izvјеsnоsti, rizika i nеizvјеsnоsti
Izvor: (prilagoñeno) Plunkett, W. R., Attner R. F. 1992. Introduction to Management. Boston: PWS - Kent Publishing Company , p. 81.
Najteži problem pri odlučivanju jeste odlučivanje u uslovima neizvјesnosti pri čemu
donosilac odluke nije u mogućnosti tačno da odredi pojedinosti vezane za alternative,
odnosno nije u mogućnosti da dеfinišе vјerovatnoću prаvilnоsti potencijalnih alternativa jer se
susreće s više varijabli i mnogo nejasnih i nepoznatih činjenica. Pоrеd nеmоgućnоsti da
predvidi moguće rezultate odluke izborom ionako nepouzdanih alternativa, vrlo često se
donosilac odluke susreće i s problemom nekompletnosti mogućih alternativa. Dakle,
donosilac odluke nije u mogućnosti da identifikuje sve moguće alternative koje mogu da se
preduzmu u donošenju najbolje ili zadovoljavajuće odluke. U takvim uslovima ekspertni
sistemi, a naročito tzv. fuzzy ekspertni sistemi mogu biti od koristi.
1.4.5 Višеkrit еri јumskа аnаlizа
Vеćinа pоstојеćih mоdеlа pоslоvnоg оdlučivаnjа, pоrеd prеdnоsti, pоkаzuје i
оdrеñеnе slаbоsti. Pоmоću njih sе pоkušаvа prоnаći rјеšеnjе prоblеmа оdlučivаnjа kоје sе
bаzirа sаmо nа јеdnоdimеnziоnој аnаlizi. Оni dајu rјеšеnjа kоја u potpunosti uzimајu u оbzir
sаmо јеdаn kritеriјum. S drugе strаnе, kаrаktеrističnо rеаlnо оkružеnjе dоnоšеnjа оdlukа
оbuhvаtа skup pаrаmеtаrа i fаktоrа, а u istо vriјеmе оdržаvа višеdimеziоnu оsоbinu tih
prоblеmа i pоdstičе pоtrеbu еvоluciје mеtоdа višеkritеriјumskе аnаlizе оdlučivаnjа (MCDA).
37
S obzirom na to dа pоstоје višеstruki, čеstо kоnfliktni krit еriјumi оcјеnjivаnjа,
višеkritеriјumski prоblеmi pripаdајu vrsti slаbо strukturirаnih prоblеmа оdlučivаnjа. U sklаdu
s tim, brој kritеriјumа i kоmplеksnоst njihоvih mеñusоbnih rеlаciја djеluје nа prеfеrеnciоni
sistеm dоnоsiоcа оdlukе kојi, pо prаvilu, kаrаktеrišе nizаk stеpеn strukturе ili, u nеkim
slučајеvimа, nеdоstаtаk strukturе. Prеmа tоmе, činjеnicа dа оdlukе pripаdајu
pоlustrukturirаnој vrsti stvаrа pоtrеbu zа pоdršku dоnоsiоcu оdlukе prојеktоvаnjеm
оdgоvаrајućih višеkritеriјumskih mоdеlа.30
Rаzličit pristup prоcеsu dоnоšеnjа оdlukа rеzultirао је pојаvоm dviјu glаvnih škоlа
multikritеriјumskе аnаlizе: аmеričkе i frаncuskе. Аmеričkа škоlа višеkritеriјumskоg
оdlučivаnjа prihvаtа pоstојаnjе sistеmа vriјеdnоsti kојi pоstаvljа prеfеrеnciје dоnоsilаcа
оdlukа prеmа skupu аltеrnаtivа оdlučivаnjа. U sklаdu s оkvirоm višеkritеriјumskоg
оdlučivаnjа prеfеrеnciје dоnоsiоcа оdlukе prеmа аltеrnаtivаmа оdlučivаnjа rаzmаtrајu sе u
оbliku sistеmа vriјеdnоsti. Tај sistеm vriјеdnоsti, kојi zаdоvоljаvа skup uslоvа, vоdi
dоnоsiоcа оdlukе kа izbоru rјеšеnjа kоје nајvišе zаdоvоljаvа. Bitnа glеdištа оkvirа
višеkritеriјumskоg оdlučivаnjа frаncuskе škоlе su:31
- Uopšte posmatrano, u prоcеs dоnоšеnjа оdlukе uključеnо је višе оd јеdnоg
dоnоsiоcа оdlukе. U vеćini prоblеmа rеаlnоg sviјеtа dоnоsilаc оdlukе stvаrnо nе
pоstојi kао оsоbа kоја је zаistа spоsоbnа dа dоnеsе оdluku. Оbičnо nеkоlikо
оsоbа (učеsnikа ili diоničаrа) uzimа učеšćе u dоnоšеnju оdlukа i imaju rаzličitа
mišljеnjа.
- Cilj višеkritеriјumskе аnаlizе niје dа istаknе dоnоsiоcu оdlukе bоljе sоluciје vеć,
priје svеgа, vоdi dоnоsiоcа оdlukе kа sеlеkciјi zаdоvоljаvајućеg rјеšеnjа
prоcеsоm prоgrеsivnоg rаzumiјеvаnjа i pоbоljšаnjа njеgоvih vјеštinа i znаnjа.
Opšti оkvir mоdеlirаnjа u višеkritеriјumskој аnаlizi dеtеrminišu čеtiri sukcеsivnе i
itеrаtivnе fаzе:32
1. cilj оdlučivаnjа,
2. аnаlizа еlеmеntаrnih kоnsеkvеnci,
3. fоrmirаnjе mоdеlа оdlučivаnjа ili mоdеlа pоnаšаnjа,
4. еlаbоrаciја i implеmеntаciја scеnаriја.
30 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, p. 10. 31 Roy, B. 1990. Decision Aid and Decision Making, European Journal of Operational Research, vol. 45, pp.
324-331. 32 Ibid.
38
Prvа fаzа: cilj оdlučivаnjа. Svаki prоblеm dеkоmpоnоvаn је nа kоnаčаn ili
kоntinuirаn skup аltеrnаtivа, аkciја, оdlukа, A = [ai, i = 1, 2, …, n]. Skup аltеrnаtivnih аkciја
mоžе dа budе:
- fiksаn, аkо niјеdnа mоdifikаciја njеgоvе kоmpоziciје niје dоpuštеnа zа vriјеmе
prоcеsа dоnоšеnjа оdlukе,
- prоmјеnljiv, аkо zа vriјеmе prоcеsа dоnоšеnjа оdlukе strukturа skupа mоžе dа sе
prоmiјеni,
- iscrpаn (svеоbuhvаtаn), аkо svаki еlеmеnt sаdržаn u A isključuје svе оstаlе,
- frаgmеntirаn, аkо rеzultаti аnаlizе оbuhvаtајu sаmо јеdаn diо skupа A.
U prihvаćеnоm skupu аkciја dоnоsilаc оdlukе dеfinišе оdrеñеnu prоblеmаtiku kоја
mоžе dа sе prоmiјеni u tоku prоcеsа dоnоšеnjа оdlukа. Аnаliti čаr, smаtrа Rој, mоžе dа birа
izmеñu čеtiri rеfеrеntnе vrstе prоblеmаtikе:
- izbоr јеdnе i sаmо јеdnе аltеrnаtivе iz skupа A аltеrnаtivnih аkciја,
- rаzvrstаvаnjе аltеrnаtivnih аkciја u klаsе (grupе) kоје imaju оdrеñеnе zajedničke
kаrаktеrističnе оsоbinе,
- rаngirаnjе аltеrnаtivnih аkciја оd nајvišе dо nајmаnjе prеfеrirаnе,
- јеdnоstаvаn оpis аkciја i njihоvih kоnsеkvеnci јеzikоm kојi mоžе dа budе
rаzumljiv оd strаnе mеnаdžеrа.
Drugа fаzа: аnаlizа еlеmеntаrnih k оnsеkvеnci. Svаkа аltеrnаtivnа аkciја mоžе dа
budе аnаlizirаnа u sklаdu sа skupоm аtributа ili grupоm еlеmеntаrnih kоnsеkvеnci. Аnаlizа
grupе еlеmеntаrnih kоnsеkvеnci svаkе аltеrnаtivnе аkciје vоdi аnаliti čаrа kа izbоru i
mоdеlirаnju kоnzistеntnе vrstе kritеriјumа F = [ g1, g2, …, gm] kојi ćе dа sе kоristе dа bi sе
еvаluirаlе аltеrnаtivе i pоstiglа kоnаčnа оdlukа. Kritеriјumi sе mоdеlirајu kоrišćеnjеm rеаlnе
funkciје gј : A → R, a → gј (a), gdје је gј (a) еvаluаciја аkciје a u sklаdu sа ј-tim
kritеriјumоm. Prаvi kritеriјumi trеbаlо bi dа ispunjаvајu sljеdеćе uslоvе:
- dа оdržаvајu mоnоtоnоst i dа budu kоnzistеntni s individuаlnim prеfеrеnciјаmа:
− gј (a) > gј (b) ⇔ a f b , tј. аkciја a imа prеdnоst u оdnоsu nа аkciјu b
(rеlаciја prеfеrеnciје)33,
− gј (a) = gј (b) ⇔ a p b, tј. аkciја a је indifеrеntnа u оdnоsu nа аkciјu b
(rеlаciја indifеrеnciје),
33 znаk f znаči isprеd (a f b znači "a је isprеd b")
39
- dа budu svеоbuhvаtni u sklаdu s оgrаničеnjimа u dоstupnim infоrmаciјаmа,
- dа izbјеgаvајu rеdundаnciјu (da budu nеrеdundаntni).
Tаbеlа 1.6 pоkаzuје višеkritеriјumsku еvаluaciоnu tаbеlu sа n аltеrnаtivа
оdlučivаnjа i m kritеriјumа. Svаki ij еlеmеnt tаbеlе prеdstаvlja оcјеnu (bоd, skоr) gj(ai)
аltеrnаtivе ai uz uvаžаvаnjе ј-tоg kritеriјumа.
Tаbеlа 1.6. Višеkrit еri јumskа еvаluаciоnа tаbеlа
Kritеriјumi g1 G2 .... gm
a1 g1(a1) g2(a1) .... gm(a1)
a2 g1(a2) g2(a2) .... gm(a2)
... ... ... .... ...
Аltе
rnаt
ivе
оdluči
vаn
jа
an g1(an) g2(an) .... gm(an)
Tr еćа fаzа: fоrmir аnjе mоdеlа оdlučivаnjа ili mоdеlа pоnаšаnjа. Оvа fаzа
оbuhvаtа аgrеgirаnjе kritеriјumа primјеnоm pоsеbnоg mоdеlа hоlističkih prеfеrеnciја. Оvај
mоdеl kоristi sе zа kоmpаrаciјu аltеrnаtivа оdlučivаnjа kоје pripаdајu аkciјаmа skupа А.
Čеtvrt а fаzа: еlаbоrаciја i implеmеntаciја scеnаri ја. U pоsljеdnjој fаzi prоcеsа
аnаliti čаr nаstојi dа prоnаñе оdgоvоrе nа pitаnjа dоnоsiоcа оdlukе (scеnаriо "štа – аkо") dа
bi sе pоbоljšаlа pоdrškа prоcеsа dоnоšеnjа оdlukа.
Popularan i koristan softver i alat za višekriterijumsku podršku, zasnovan na
analitičko-hijerarhijskom procesu odlučivanja, jeste Expert Choice koji korisniku, odnosno
donosiocu poslovnih odluka pruža pomoć u procesu odlučivanja.
Analitičko-hijerarhijski proces odlučivanja (AHP), na kojem se zasniva Expert
Choice omogućava donosiocu odluke da analizira, organizuje i poveže kvantitativne
činjenice, razmišljanja i intuiciju u logički oblik kako bi se sagledale sve opcije za efikasno
donošenje odluke. AHP omogućava poreñenje materijalnih i nematerijalnih faktora i u
uslovima neizvjesnosti, a donosilac odluke može naknadno izvršiti reviziju donesene odluke
koja se zasnivala na unaprijed sastavljenom modelu odlučivanja. Uz pomoć analize
osjetljivosti i "šta - ako" analize može se brzo ustanoviti kako se promjena važnosti nekog
kriterijuma odlučivanja odražava na alternative izbora.
40
Expert Choice34 je namijenjen za analizu, sintezu i ocjenu kompleksnih individualnih
i grupnih odluka. Njegova primjena u svijetu u sferi poslovnog odlučivanja je velika, a
najčešća područja primjene su: alokacija resursa, upravljanje ljudskim resursima, formulisanje
marketing strategije, analitičko planiranje, cost benefit analiza, analiza kredita i dr. Pored
toga, Expert Choice i Team Expert Choice imaju veliku primjenu u predviñanju, procjeni
rizika i donošenju odluka u uslovima neizvjesnosti.
Expert Choise, a posebno njegova verzija za podršku rada u grupi Team Expert
Choise, adekvatan je za podršku grupnom odlučivanju jer omogućava sintezu ocjena
alternativa različitih ljudi koji su uključeni u proces odlučivanja. Expert Choise omogućava
članovima grupe u bilo kojem dijelu svijeta da zajedno učestvuju u procesu odlučivanja preko
Interneta. Web omogućava da Expert Choise funkcioniše kao virtuelna konferencijska sala
koja dopušta da sve sugestije učesnika u procesu odlučivanja budu saslušane i, eventualno,
uključene u konačnu odluku.
1.5 Poslovna inteligencija i nove tehnologije sticanja i crpljenja podataka i znanja
1.5.1 Poslovna inteligencija
Dа bi se shvatila situаciјa odlučivanja potrebni su pоdаci, infоrmаciје i znаnjе kојi se
mоrајu intеgrisаti i оrgаnizоvаti da se donosilac odluke može njima jednostavno kоristiti.
Dоnоsilаc оdlukе primjеnjuje аnаliti čkе аlаtе (OLAP, data mining) dа bi pоdаci, infоrmаciје i
znаnjе bili upotrijebljeni sа pоtpunоm kоrisnоšću. Anаliti čki аlаti pripаdајu zајеdničkоm
pојmu pоslоvnа intеligеnciја i pоslоvnа аnаlitik а. Nоvi аlаti оmоgućаvајu аnаliti čаrimа i
dоnоsiоcimа оdlukа brzо i jednostavno idеntifikovanje vеza izmеñu еlеmеnаtа pоdаtаkа i
njihovo bоljе rаzumiјеvаnjе. Tаkаv аlаt је i CRM kојi оmоgućаvа dа mеnаdžеri bоljе
rаzumiјu svоје pоtrоšаčе. Primjenom CRM koncepta preduzeće zadržava postojeće i privlači
nove kupce i postiže profitabilnost. Dakle, prioritet je da se zadrže lojalni kupci i profitabilni
kanali distribucije, a zatim da se privuku novi potrošači kako bi se obezbijedio rast
poslovanja. Ovdje se misli na privlačenje novih klijenata koji traže odreñenu vrijednost za
novac i koji su spremni da plate odreñeni iznos za tu vrijednost. Takvi kupci mogu se
pridobiti poznavanjem njihovih karakteristika i ponašanja pomoću poslovne inteligencije.35
34 Expert Choice, Inc. dostupan je kao demo verzija na www.expertchoice.com. 35 Marić, V., Stojanović, D. 2003. Informacioni sistemi. Banja Luka: Ekonomski fakultet, str. 388-389.
41
Tehnologija poslovne inteligencije, poznata pod nazivom tehnologija guranja (push
technology36), funkcioniše na principu automatskog dostavljanja informacija korisnicima na
osnovu njihovih želja koje su unaprijed sami definisali ili prema njihovim pretpostavljenim
zahtjevima. Većina diskusionih grupa na Internetu funkcionišu na principu dostavljanja
informacija potencijalnim kupcima iz sfere njihovog interesa. Ova tehnologija koristi se
različitim kanalima za dostavljanje informacija od kojih je najvažnija elektronska pošta.
Poslovna inteligencija predstavlja skup tehničkih i procesnih inovacija pomoću
sistema date warehousinga i prostora poslovne inteligencije. Proaktivna poslovna
inteligencija fokusira se na ubrzavanju procesa donošenja odluka jačanjem infrastrukture
poslovne inteligencije za identifikovanje, izračunavanje i trenutnu distribuciju informacija
kritičnih za misiju preduzeća, jer poslovni uspjeh zahtijeva njihovo inteligentno korišćenje.
Proaktivna poslovna inteligencija37 ima pet komponenti: (1) real-time warehousing,
(2) automatsko otkrivanje anomalija i odstupanja, (3) proaktivno upozorenje pomoću
automatskog primaoca rješenja, (4) neograničeno praćenje pomoću toka posla i
(5) automatsko učenje i usavršavanje. Bežične tehnologije moraju da igraju ključnu ulogu u
povećavanju vrijednosti i efektivnosti tih komponenti.
Poslovna inteligencija koristi se terminološkim predstavljanjem skupa procesa, alata
i tehnologija korisnih za postizanje većeg profita povećanjem produktivnosti, obimom prodaje
i usluga preduzeća. Pomoću metoda poslovne inteligencije podaci mogu da se organizuju i
analiziraju na bolji način, a informacije transformišu u korisno znanje potrebno za pokretanje
profitabilnih poslovnih akcija. Prema tome riječ je o transformaciji podataka u inteligentne
informacije analiziranjem i ponovnim aranžiranjem podataka u skladu s relacijama izmeñu
jedinica podataka saznanjem koji podaci da se sakupljaju i kako da se upravlja podacima i u
kom kontekstu. Karakteristično za poslovnu inteligenciju je da su prikupljeni sirovi podaci
organizacija važna imovina u kojoj one mogu da pronañu rješenja za mnoga ključna pitanja
kao što su: visina neto profita za pojedinačne proizvode u proteklom periodu, obim prodaje u
tekućem periodu i koji su ključni faktori na koje se organizacija mora fokusirati da bi se
36 "push" technology - metoda pribavljanja relevantnih informacija na mrežama pomoću računarskog prenosa
informacija direktno korisniku koje se zasniva na prethodno definisanim interesima (Laudon, K. C., Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice- Hall, Inc., Upper Saddle River, p. 275.)
37 Langseth, J. and Vivatrat, N. (2002. November). "Outward Bound". Intelligent Enterprise, Vol. 5, No. 18, Ocken, V. (2002, September). "Making the Most of Online Databases", Marketing News, Vol. 36, No. 20 and Rothrock, D. (2002, September 30). Decision Management Hits the Road", National Underwriter, Vol. 106, No. 39. Navedeno iz: Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall . p. 107.
42
povećala prodaja. Na taj način povećava se neophodnost postojanja dobro planiranog
poslovnog informacionog sistema koji može da dovede do veće profitabilnosti smanjivanjem
operativnih troškova, povećanjem prodaje i satisfakcije potrošača. Pomoću poslovnog
inteligentnog sistema (BIS) organizacija unapreñuje svoje poslovanje ili upravljanje preko
konkurenata istraživanjem i korišćenjem podataka o potrošačkim preferencijama,
karakteristikama potrošača, lanacimaa snabdijevanja, geografskim uticajima, formiranjem
cijena i načina povećanja cjelokupne poslovne efikasnosti i efektivnosti.38
1.5.1.1 Koncept i potrebe izgradnje sistema poslovne inteligencije
Karakteristike današnjeg poslovanja je potreba kontinuiranog generisanja i
snabdijevanja poslovnih sistema podacima, informacijama i znanjem iz internog i eksternog
okruženja. Koncept poslovne inteligencije omogućava poslovnim sistemima korišćenje samo
onim informacijama koje su im u odreñenom trenutku potrebne za donošenje poslovnih
odluka, a koje su iskazane na način koji im najviše odgovara. Ako se koncept poslovne
inteligencije primjenjuje na pravi način smanjiće se količina nepotrebnih podataka i
informacija kojima donosioci odluka u poslovnim sistemima mogu da budu pretrpani uz
istovremeno povećanje kvaliteta tih informacija.
Uloga sistema poslovne inteligencije je generisanje kvalitetnih informacija potrebnih
poslovnim sistemima za donošenje pravih i blagovremenih poslovnih odluka. Na taj način
daje se moć sistemima koji je primjenjuju da podstiču i stvaraju pozitivne promjene u svom
okruženju. Osnovno obilježje poslovne inteligencije jeste da ona proizlazi iz operativnih
podataka, proaktivna je i orijentisana na dostavljanje informacija pojedincima – menadžerima
i donosiocima poslovnih odluka.
Pretpostavka primjene koncepta poslovne inteligencije jeste da korisnici iskazuju
svoje preferencije u vezi sa obilježjima i vrstama informacija koje žele da dobiju, te njihovu
učestalost i sredstva komuniciranja putem kojih će im informacije pristizati.
Prave informacije predstavljaju glavni preduslov za preživljavanje u turbulentnom
okruženju. One pomaže organizacijama da preduzimaju odgovarajuće akcija, a da bi se do
njih došlo, sistemi poslovne inteligencije moraju zahvatati spoljne i unutrašnje podatke.
Unutrašnji podaci prikupljaju se utvrñenim pravilima i memorišu u spremišta podataka, čijim
povezivanjem nastaje skladište podataka. Podaci o konkurenciji, podaci o djelatnostima i
drugi spoljni podaci kao i interni podaci, prvo prolaze rutinsku obradu postupcima ekstrakcije, 38 www.learnbi.com/bi.htm
43
transformacije i punjenja, da bi, kasnije, zajedno s internim podacima poslužili za potrebne
analize. Usvajanjem koncepta poslovne inteligencije i upravljanjem poslovnim informacijama
organizacija se može koristiti i preostalim podacima prikupljenim iz brojnih izvora,
pretvarajući ih, pomoću sistema poslovne inteligencije, u kvalitetne informacije i znanje.
Potreba uvoñenja sistema poslovne inteligencije u organizacije javlja se kao
poslovna marketinška potreba zbog sve jače tržišne konkurencije, razvijenih kanala
distribucije i ponude roba i usluga koja znatno nadmašuje potražnju. Ako se fokusira na
zahtjeve koji proizlaze iz stanja na tržištu, potreba za uvoñenjem koncepta poslovne
inteligencije javlja se prvenstveno radi zadržavanja postojećih i pronalaženja novih kupaca.
Poznato je da je pronalaženje novih kupaca višestruko skuplje od zadržavanja postojećih.
Kupci koji nisu zadovoljni kvalitetom odreñenog proizvoda u pravilu će ga izbjegavati i neće
ponoviti kupovinu. Ako se ovaj problem posmatra u vezi s količinom podataka o kupcima i
dobavljačima, a naročito u vezi s njihovom disperzijom, u marketingu, prodaji, servisiranju,
finansijama i nabavci, jasna je potreba organizacije za uvoñenjem efikasnog sistema koji će
na pravi način povezati proces prikupljanja podataka, planiranja, analize te dobijanja
kvalitetnih informacija ključnih za uspješno donošenje poslovnih odluka i cjelokupno
upravljanje poslovnim sistemom.
Zadatak poslovne inteligencije je prikupljanje što kvalitetnijih informacija pomoću
kojih organizacija ima priliku da pravovremeno reaguje na tržišne promjene i donosi prave
poslovne odluke. Meñutim, zbog brojnih razloga kvalitet podataka nije uvijek na nivou koji bi
obezbjeñivao kreiranje kvalitetnih informacija. Prije svega organizacija prikuplja podatke iz
velikog broja različitih izvora. Primjena novih tehnologija utiče na povećanje količine
nekvalitetnih podataka koji se koriste kao podloga za donošenje poslovnih odluka. Na kvalitet
podataka utiče i problem njihove višeznačnosti, a takoñe i problem u vezi sa greškama
prilikom unosa. Ako se podaci preuzimaju s Interneta treba voditi računa o ažurnosti
podataka, jer se na Internetu nalaze i zastarjeli i netačni podaci. Bitnu ulogu igra i
metodologija kojom se podaci zahvataju, obrañuju, prenose i objašnjavaju.
Osim za donošenje pravih i blagovremenih poslovnih odluka, kvalitetni podaci važni
su i za kontinuirano odvijanje proizvodnog procesa i cjelokupno poslovanje organizacije.
Jedno od obilježja koncepta poslovne inteligencije jeste da uzima u obzir glavne preduslove
koje podaci moraju ispunjavati da bi mogli da posluže kao osnova za kreiranje kvalitetnih
informacija. Korišćenje podataka, prije svega, treba da bude što jednostavnije. Danas se sve
više koriste ona softverska rješenja koja korisnicima omogućavaju pristup putem preglednih
44
grafičkih interfejsa. Njihova glavna karakteristika je da omogućavaju obavljanje velikog broja
zadataka i onim korisnicima koji nisu posebno obučeni i iskusni u primjeni računara.
Softversko rješenje namijenjeno cjelokupnom upravljanju kvalitetom podataka mora
da bude prilagodljivo i jednostavno za upotrebu. To znači da se moraju primjenjivati takva
rješenja koja omogućavaju jednostavno unošenje podataka u odgovarajuća spremišta
podataka. Najvažniji kriterijum uspjeha za sistem poslovne inteligencije jeste jednostavnost i
brzina rada za krajnjeg korisnika. Ako se uvažava taj princip brzo će se doći do željenih
rezultata uz obezbjeñivanje tačnosti. U uslovima velike ponude softverskih alata namijenjenih
upravljanju kvalitetom podataka mora se voditi računa i o najpovoljnijem odnosu troškova i
koristi da bi se zadovoljili zahtjevi ekonomičnosti i najbrži put povrata ulaganja.
1.5.1.2 Očekivanja od sistema poslovne inteligencije
Nedostatak podataka danas ne predstavlja problem za organizaciju već je problem
kako doći do onih podataka koji će joj pomoći pri donošenju kvalitetne poslovne odluke.
Osnovna ideja primjene sistema poslovne inteligencije jeste korišćenje operativnih podatka
radi dobijanja novih korisnih informacija koje će pomoći pri donošenju pravih i efikasnih
poslovnih odluka. Glavna karakteristika ovog sistema je da analizom informacija, uz pomoć
sistema upita i izvještavanja, pomoću odgovarajućih alata i s jedinstvenim pogledom na
organizaciju pomaže boljem razumijevanju poslovnih dogañaja. Uz pomoć alata poslovne
inteligencije smanjeno je vrijeme izrade izvještaja, a povećano vrijeme koje stoji na
raspolaganju za analizu podataka. Isto tako ovaj koncept omogućava praćenje dostignuća
organizacije u realnom vremenu, pa je informacija dostupna onog momenta kad je potrebna.
Na taj način znatno se skraćuje vrijeme za donošenje operativnih i strateških odluka tako da se
odluke donose blagovremeno.
Očekivanja od sistema poslovne inteligencije vežu se uz gotovo sva područja, za
upravljanje važnim procesima unutar organizacije poput praćenja proizvodnje i prodaje,
upravljanja nabavkom sirovina i materijala, finansijskog odlučivanja i upravljanja uopšte.
Tako se očekuje njegov pozitivni uticaj na marketing, na uvoñenje novih proizvoda, bolje
fokusiranje na kupca, povećanje konkurentske prednosti te rast prihoda i smanjenje troškova,
razvoj investicija, razvoj zaposlenih itd.
Karakteristika današnjeg koncepta poslovne inteligencije svodi se na izvještavanje o
stanju i izvršavanju poslovnih procesa. Meñutim, u budućnosti, moć informacija nastalih
poslovnom inteligencijom osiguraće naprednije procese odlučivanja, koji će obavljati rutinske
45
pripreme i zadatke umjesto zaposlenih, a njima ostaviti više vremena za donošenje odluka i
praćenje njihove realizacije.
1.5.1.3 Uvoñenje sistema poslovne inteligencije u poslovni sistem
Prilikom usvajanja koncepta poslovne inteligencije organizacija se može odlučiti za
neku od mogućih strategija uvoñenja novog sistema. Pri tome treba imati na umu da, za
razliku od transakcionih sistema za obradu podataka, sistemi poslovne inteligencije rijetko su
u potpunosti izgrañeni. Za ove sisteme podrazumijeva se kontinuirani razvoj u skladu s
poslovnom dinamikom organizacije i promjenama koje se dogañaju u poslovnom okruženju.
Glavni cilj razvoja sistema poslovne inteligencije ogleda se u postizanju optimalnog rješenja u
odreñenom vremenskom roku, uz uvažavanje činjenice da će se vremenom postojeći sistem
nadograñivati kako bi kontinuirano zadovoljavao potrebe radi kojih se i uvodi.39
Postoji nekoliko strategija uvoñenja sistema poslovne inteligencije. Jedna od
varijanti je da se promjene uvedu u onoj organizacionoj jedinici ili jedinicama gdje će se
najprije vidjeti rezultati. Drugi pristup je da se promjene obave tamo gdje se očekuju najmanji
otpori ili obrnuto, da se promjene prvo obave tamo gdje su najveći otpori, da bi se skeptici
razuvjerili na samom početku uvoñenja sistema. Bez obzira na izabranu strategiju, izgradnja
sistema poslovne inteligencije predstavlja ogroman posao i to je, po pravilu, zaseban posao
koji zahtijeva poseban, najbolje projektni pristup.
Prvi zadatak u razvoju projekta odnosi se na definisanje cilja koji se želi postići
uvoñenjem koncepta poslovne inteligencije. Jedan od glavnih zahtjeva je da se izgradi takav
informacioni sistem pomoću kojeg je moguće brzo i efikasno stvoriti informacije i znanje
potrebno za provoñenje analize nabavke, prodaje, troškova i novčanih tokova preduzeća.
Nadalje, potrebno je definisati konkretna pitanja unutar navedenih funkcija koje treba riješiti.
Na primjer, u slučaju prodaje, moraju se definisati proizvodi koji će se istraživati,
potraživanja od kupaca po ročnosti, dani vezivanja kupaca, uplate kupaca, analiza bazne
profitabilnosti itd. Moraju se takoñe definisati osnovni zahtjevi korisnika, najčešće menadžera
koje će oni postaviti pred takav sistem, kao što su: brzina, jednostavnost rada i učenja,
mogućnost korišćenja raznih izvora podataka i postojećih aplikacija, prezentacija podataka u
poslovnim terminima, višedimenzionalni pristup, mogućnost prikazivanja više ili manje
detalja, mogućnosti kompleksnih analiza i sl.
39 Howson, C. 2008. Successful Business Intelligence: Secrets to Making BI a Killer App. McGraw-Hill,
pp. 139-140.
46
Poslovna inteligencija provodi se radi promjene organizacije i poboljšanja
poslovanja. Projekat je potrebno pažljivo planirati, odrediti osnovne ciljeve i način rada.
Razgovorom s korisnicima budućeg sistema poslovne inteligencije, u svim segmentima
organizacije, dobiće se gruba slika poslovnih procesa kao osnov za sagledavanje cjelokupne
slike stanja. Za snimanje stanja kvalitetno može da posluži i pregled standardnih izvještaja iz
različitih segmenata organizacije koji su ranije pripremljeni. Nadalje, količina papirnih
dokumenata nagomilanih u mnogim radnim područjima može da bude i vizuelni pokazatelj
vremena potrebnog osoblju za obradu podataka u informacije za krajnje korisnike, tj.
donosioce odluka jer je poznato da su krajnji korisnici često zatrpani informacijama ili
suprotno da imaju manjak potrebnih informacija. Zatim slijedi definisanje poslovnih zahtjeva
i izgradnja modela podataka čija je osnova proces, jer se modeliraju procesi, a ne baza
podataka. Modeliranje je vrlo važan segment cijelog projekta. Modelom podataka koji mora
da bude pregledan, jasan i razumljiv utvrñuju se analitičke mogućnosti cijelog sistema.
Prije implementacije potrebno je da se izvrši ocjena izvodljivosti predviñenog
projekta, a zatim započeti implementaciju i postavljanje infrastrukture. Preporučuje se da se
prvo započne s implementacijom jednostavne i skromne teme. Zatim se provodi edukacija
krajnjih korisnika prezentacijom načina služenja bazom, njenog sadržaja itd.
Za razliku od transakcionih sistema, glavno obilježje sistema poslovne inteligencije
je sposobnost prilagoñavanja promjenama i novim uslovima u okruženju i organizaciji u koju
se sistem uvodi. Sistemi poslovne inteligencije ubrajaju se u sisteme koji uče, što u praksi
znači da se, prikupljanjem novih podataka iz eksternih izvora i njihovom kombinacijom sa
stečenim iskustvom sistema proizašlim iz istorijskih obrada transakcionog sistema, u
procesima obrade dolazi do novih kvalitetnijih informacija. Djelotvornost sistema poslovne
inteligencije raste s brojem iterativnih procesa, pri čemu sistem akumulira iskustva kojima se
koristi u budućim obradama. S obzirom na to da se svaki posebni slučaj prikupljanja i obrade
podataka, uz sugerisanje rješenja, može odvijati posebnim iterativnim procesom, svaki
sljedeći proces, zbog akumuliranog znanja i iskustva, odvija se na kvalitetniji način.
1.5.1.4 Korisnici sistema poslovne inteligencije
Organizacije koje u svojim poslovnim aktivnostima primjenjuju koncept poslovne
inteligencije, uspostavljaju bolju kontrolu nad informacijama u odnosu na one koje ne koriste
njene prednosti, te donose kvalitetnije odluke, stvaraju konkurentsku prednost i ostvaruju
prihod. Mnoga srednja i velika preduzeća u svijetu već su ugradila i koriste se sistemom
47
poslovne inteligencije za upravljanje važnim procesima, poput upravljanja nabavkom sirovina
i materijala, osiguranja kvaliteta proizvoda i usluga, praćenja prodaje i sl. Zasad se taj sistem
primjenjuje na nivou pojedinih organizacionih jedinica, odsjeka, odjeljenja itd. Meñutim,
naprednije i prodornije organizacije ubrzano rade na standardizaciji sistema poslovne
inteligencije na nivou cijelog preduzeća, da bi osigurale prednosti koje taj sistem nudi.
Porast konkurencije, zakonodavno uplitanje državnih vlasti i meñunarodna
standardizacija u mnogim područjima, zatim okrupnjavanje korporacija i sve veća prisutnost
globalizacije u svim područjima, posljedica su pojačanog istraživanja u području poslovne
inteligencije radi njene primjene i pomoći pri poslovnom odlučivanju. Koncept poslovne
inteligencije danas se uspješno primjenjuje u mnogim poslovnim područjima i oblastima, a
naročito u bankarstvu, maloprodajnim trgovinskim lancima, logističkim aktivnostima
(transport, upravljanje zalihama), osiguravajućim društvima, farmaceutskoj industriji itd.
Predviña se, da će se prednostima koje pruža poslovna inteligencija u budućnosti koristiti i
fizička lica – pojedinci da bi unaprijedili kvalitet svoga življenja. Praktična realizacija ove
vizije je moguća zbog sve šire primjene današnje sofisticirane informacione tehnologije. Prije
svega ovdje se misli na tehnologije Web usluga, ekstraneta i korporacijskih portala.
1.5.2 Tehnologije sticanja znanja za potrebe inteligentnih sistema i sisteme poslovne inteligencije
Naglašavanje uloge znanja posljedica je značajnih strukturnih promjena u razvoju
ekonomije koja se, krajem prošlog vijeka, po svojoj suštini, potpuno mijenja tako da
prelaskom iz industrijske u savremenu informatičku ekonomiju, glavni resursi više nisu
materijalni, već novi faktor ekonomskih aktivnosti i produktivnosti postaje ekonomija znanja.
Prelaz iz industrijske ekonomije u ekonomiju znanja karakteriše nekoliko bitnih
činjenica: informacija postaje važan resurs, a informaciona i komunikaciona tehnologija
postaju osnovna infrastruktura. Razvojem tih tehnologija znatno se ubrzava poslovanje i
skraćuje proizvodni i poslovni ciklus i, što je vrlo bitno, odnos prema proizvodu danas se
mijenja u korist potražne strane, tj. kupaca.
1.5.2.1 Proces upravljanja znanjem
Upravljanje znanjem predstavlja nezaobilaznu komponentu savremenog
menadžmenta. Opšti cilj upravljanja znanjem je povezivanje onih subjekata kojima treba
znanje sa izvorima znanja u organizaciji, kao i usklañivanje transfera toga znanja. Konkretni
cilj upravljanja znanjem predstavlja proces utvrñivanja i analize raspoloživog znanja kako bi
48
se ispunili postavljeni ciljevi poslovanja organizacije. Upravljanje znanjem podrazumijeva
konstantni proces obnove znanja čiji je cilj kontinuirana inovacija i modifikacija postojećeg
znanja da bi organizacija mogla da održava korak s dinamičkim tržišnim okruženjem.
Proces upravljanja znanjem sastoji se od nekoliko sukcesivnih faza: pribavljanje,
odnosno kreiranje znanja, memorisanje, distribucija i primjena znanja. U organizaciji kojoj je
cilj kontinuirana obnova znanja, tzv. "learning organization" proces sukcesivnosti je stalan i
cikličan. Ključne faze procesa upravljanja znanjem prikazane su na sljedećoj slici.
Slika 1.10 Ključne faze procesa upravljanja znanjem
Izvor: brint.com/casestudies, “Knowledge in Action: Case Studies (Worldwide)”, 26. maj 2008.
U današnje vrijeme organizacije koje žele da postanu ili ostanu tržišni lideri treba da
vode računa o sopstvenoj infrastrukturi upravljanja znanjem. Pri tome potreba za novim
znanjem treba da bude jedan od strateških prioriteta poslovanja, prepoznat i prihvaćen od
najvišeg nivoa menadžmenta. U tom smislu potrebno je izgraditi organizacionu kulturu, te
razvijati mehanizme za distribuciju znanja. Nakon stvaranja okvira koji podstiče razmjenu
znanja potrebno je analizirati i definisati jaz izmeñu raspoloživog i potrebnog znanja, a nakon
toga razvijati mehanizme procjene i reprodukcije znanja. U tom smislu organizacije moraju
pronaći metode i tehnike otkrivanja, prikupljanja, memorisanja, reprodukcije i dopunjavanja
znanja. Krajnji cilj je postizanje sinergijskih efekata kombinacijom procesiranja podataka i
informacija uz pomoć informacionih tehnologija s kreativnim i inovativnim sposobnostima
svojih zaposlenih. Ovdje se govori o lancu vrijednosti koji podrazumijeva stalnu
transformaciju sirovih podataka u informacije i znanje s krajnjim ciljem donošenja
kvalitetnijih poslovnih odluka.40
40 www.brint.com/casestudies.html, "Knowledge in Action: Case Studies (Worldwide)", 26.05.2008.
49
1.5.2.2 Značaj upravljanja znanjem
Konkurentska prednost organizacije zavisi od uspješnosti upotrebljavanja znanja a
naročito od brzine usvajanja inovacija. U žestokoj konkurentskoj borbi važno je pronaći i
zadržati neiskorišćeno znanje u organizaciji i pretvoriti ga u intelektualni kapital. Sistematsko
prikupljanje i upotreba znanja radi generisanja novih ideja postiže se stvaranjem
odgovarajućeg okruženja u kojem upotreba novih informaciono-komunikacionih tehnologija
znatno olakšava savladavanje toga problema.
Sposobnost kontinuiranog generisanja novih ideja i stvaranje inovativnih proizvoda
karakteristika je uspješnih organizacija za koje inovacija predstavlja dio strategije poslovanja i
koje posjeduju odgovarajuću plitku i moderno izgrañenu organizacionu strukturu i
menadžment koji podstiče inovacije. Osnov kreativnosti i inovativnosti postiže se i
stvaranjem timova od izvršilaca različitih profila, što je preduslov za kreiranje različitih
pitanja i generisanje novih ideja. S obzirom na to da se do inovacije, po pravilu, ne dolazi za
kratko vrijeme bitno je da menadžment ne očekuje brze rezultate, već da sistematski
usmjerava i razvija definisanu politiku te podržava aktivnosti bitne za praktično provoñenje
upravljanja znanjem.
1.5.2.3 Infrastruktura Interneta u elektronskoj dimenziji upravljanja znanjem
Internet je danas nezaobilazan u svim segmentima poslovanja, a njegovim razvojem
stvaraju se nove dimenzije poslovanje savremenih organizacija. Glavne prednosti Interneta
kao globalne svjetske komunikacione mreže ogledaju se u savladavanju prostornih
ograničenja, ubrzavanju komunikacionih procesa i brzom i efikasnom snabdijevanju
relevantnim stručnim i opštim znanjem potrebnim za donošenje poslovnih odluka.
Razvojem informacione tehnologije i Interneta dolazi do reorganizovanja
kvalitativnih parametara: ideja, inovacija, intelektualnog kapitala i znanja te povezanosti s
kupcima zadovoljavanjem njihovih potreba kvalitetnijim proizvodima i uslugama.
Savremene informacione tehnologije i Internet povećali su potrebe za znanjem i
snagu upravljanja znanjem. Prednosti koje oni daju ogledaju se u jednostavnijoj distribuciji
znanja unutar i izvan organizacije. Danas ta tehnologija stvara sredstva koja omogućavaju
prikupljanje i skladištenje znanja i stvaranje novih znanja neophodnih za poslovno
odlučivanje. Informaciona i komunikaciona tehnologija još ne može zamijeniti vrijednost i
potrebu direktne komunikacije, barem ne kad je u pitanju distribucija iskustvenog znanja, ali
može uspješno asistirati u posredovanju i olakšavanju kreiranja mreže zasnovane na znanju.
50
Ova tehnologija, posebno internetska infrastruktura (Web i e-mail), ima naročitu vrijednost za
one organizacije koje posluju na udaljenim i različitim geografskim lokalitetima i gdje je
onemogućen direktan kontakt i komunikacija izmeñu tražilaca znanja i onih koji ga nude tako
da ova tehnologija igra ulogu posrednika.
Razvoj Interneta podloga je za razvoj globalnog tržišta znanja na kojem se susreću
oni koji znanje nude i oni koji ga kupuju. Informacije danas postaju sve dostupnije, pa se
povećava i uticaj pojedinaca na poslovanje organizacija. Znanje pojedinca ima snažan uticaj
na preduzetništvo koje se oslanja na znanje. Taj proces nadopunjen je i Internetom.
Donedavno su velike organizacije održavale svoju moć upravljanjem informacijama, u okviru
i izvan svojih granica, a danas to čine razmjenom i distribucijom znanja.
Za razliku od drugih roba koje se razmjenjuju na berzama, prednost i karakteristika
znanja jeste da je ono obnovljiv izvor te da se ne troši, već, naprotiv, upotrebom njegova
vrijednost raste. Internet je sredstvo koje pruža uslugu jednostavne i sveobuhvatne razmjene
znanja i oslobañanje vrijednosti i potencijala ljudskih mozgova. Znanje i učenje danas postoje
sve više dio organizacione kulture i organizacionih procesa. Procesi, proizvodi i usluge
postaju intenzivni znanjem. Organizacije koje ne upravljaju dobro svojim znanjem su
marginalizovane i prijeti im neuspjeh na tržištu i propadanje. Principi nove ekonomije
zasnivaju se na sticanju znanja i učenju kako da se upotrijebi i upravlja znanjem. Oštra
konkurencija globalizovanog tržišta prisiljava organizacije na odbacivanje uhodanih
stereotipa i tradicionalnog načina poslovanja te na stvaranje novog pozitivnog nadahnuća i
stvaranje kreativnog radnog okruženja koje potiče njene zaposlene na razmjenu ideja i znanja
i stvaranje organizacione kulture koja se bazira na učenju. Moderne organizacije pretvaraju se
u tvornice znanja, njihovi zaposleni u radnike znanja, a upravljanje znanjem postaje osnovni
organizacioni okvir savremenog poslovanja.
Organizacija koja uči prilagoñena je kupcima, a karakteriše je kreativnost, intenzivno
znanje, visokoobrazovani kadrovi, spremnost i sposobnost menadžmenta i zaposlenih na
stalno učenje. Organizacija koja uči treba da razvije strategiju i primjereni sistem vrijednosti
da bi mogla, ne samo zadržati postojeće već privući i nove zaposlene koji su vrlo traženi i
profesionalci na svom području, a njega ne čine samo visoka i konkurentna lična primanja i
paket beneficija, već organizacije treba da stvore stimulativno okruženje u kojem će i
pojedinci i cijelo preduzeće neprestano povećavati svoju kreativnost, inovativnost i znanje.
Savremena informaciona tehnologija, ekspertni sistemi i Internet direktno omogućavaju bolje
upravljanje i bržu distribuciju znanja.
51
Organizacije koje uče u prvi plan stavljaju znanje i zajedničko učenje kao osnov
svoje budućnosti. Meñutim, kao problem javlja se pitanje stvaranja preduslova i infrastrukture
potrebne za upravljanje poslovnim znanjem i za stvaranje organizacije koja uči. Razvoj
informaciono-komunikacione tehnologije i inteligentnih sistema upravljanja znanjem
omogućava uspješno rješavanje navedenih problema. Veliki podskup upravljanja poslovnim
znanjem i prvi korak prema organizaciji koja uči jeste grupa metoda, alata i aplikacija
poslovne inteligencije.
1.5.2.4 Skladišta podataka
Skladište podataka (data warehouse) podrazumijeva skup podataka izolovanih iz
operativnih baza i spremljenih u posebne baze. Glavna karakteristika koja determiniše
skladište podataka je njegova namjena. U skladištu podataka podaci se prikupljaju i
organizuju na način da budu lako dostupni menadžmentu kojima se može koristiti na brz i
jednostavan način za potrebe analize poslovanja organizacije i donošenje poslovnih odluka.
Skladište podataka predstavlja tematski, odnosno predmetno orijentisan, integrisan i sadržajno
nepromjenljiv i vremenski zavisan skup podataka čiji je cilj podrška pri donošenju odluka.
Predmetna orijentisanost podataka znači da se oni organizuju predmetno, odnosno
tematski na način da daju informacije o tačno odreñenim temama u okviru funkcionalnih
područja, na primjer u okviru prodaje, nabavke itd., umjesto o tekućim operacijama
preduzeća. Suprotno tome operativne baze podataka organizuju se oko poslovnih aplikacija,
dakle usmjerene su na tekuće operacije (npr. obrade narudžbi, isporuka i sl.).
Integrisanost – podaci se prikupljaju u bazu podataka iz različitih izvora i skladište
uvijek u istom formatu, te su konzistentni i prikazuju se na dosljedan način.
Vezanost uz vrijeme – svi podaci u skladištu podataka vezani su i identifikuju se uz
odreñeni vremenski period, što znači da imaju istorijski karakter. Za razliku od njih, u
operativnim bazama podataka smješteni su samo aktuelni, najsvježiji podaci. Meñutim, s
gledišta koncepta poslovne inteligencije, sveobuhvatno predviñanje budućih dogañaja nije
moguće provesti bez poznavanja istorije istih ili nekih drugih dogañaja. Iz toga slijedi da iako
podaci u skladištu podataka odražavaju prošlost, njihova usmjerenost je okrenuta budućnosti.
Sadržajna nepromjenjivost – podaci u skladištu su stabilni i kad se jednom memorišu
u skladište u pravilu se ne mijenjaju. Time se omogućava da donosilac poslovne odluke bude
siguran da će dobiti jednak odgovor nezavisno od vremena ili učestalosti postavljanja upita.
52
Postupak skladištenja podataka predstavlja kontinuirani proces planiranja, kreiranja i
prikupljanja podataka iz različitih izvora te korišćenja, održavanja, upravljanja i stalnog
unapreñivanja skladišta podataka. Izmeñu mnogih koraka u tom kompleksnom kontinuiranom
procesu bitno je naglasiti važnost posjedovanja vizije o tome šta se želi postići kreiranjem
skladišta podataka. Jedna od uloga skladišta podataka je razvijanje i korišćenje znanja
zasnovanog na podacima i informacijama.41
Aktivnost skladištenja podataka predstavlja kontinuirani proces, a sama investicija
uvoñenja skladišta podataka je skupa i dugotrajna. Stoga je prilikom procesa donošenja
odluke o kreiranju i implementaciji skladišta podataka potrebno usaglasiti i niz pitanja bitnih
za uspostavljanje projekta skladišta. Prije implementacije projekta potrebno je identifikovati
poslovni interes za izgradnjom i upotrebom skladišta podataka za potrebe poslovanja,
dogovoriti izvore finansiranja, razviti kriterijume za odreñivanje poslovne upotrebljivosti
skladišta podataka, provesti intervjuisanje korisnika o traženim informacijama, identifikovati
izvore podataka za popunjavanja skladišta podataka, odlučiti se za veličinu skladišta
podataka, utvrditi vrstu s aspekta sadržaja, odrediti fizi čku lokaciju, donijeti odluku o
izgradnji ili kupovini skladišta podataka, izabrati najpovoljnije alate i sisteme za upravljanje
bazama, riješiti pitanje zapošljavanja itd. Na kraju implementacije slijedi puštanje sistema u
rad, trening korisnika radi potpunog iskorištavanja instaliranih alata, upravljanje sistemom
skladištenja dodavanjem, modifikovanjem i njegovim razvijanjem.
Glavni cilj skladišta podataka je oslobañanje informacija koje su zarobljene u
operacionim bazama podataka i njihovo kombinovanje s informacijama iz ostalih, po pravilu,
eksternih izvora podataka. Mnoge organizacije sve više traže dodatne podatke iz eksternih
izvora, kao što su npr. podaci o konkurenciji, demografski podaci, prodajni trendovi i sl. jer
kvalitetno donošenje poslovnih odluka zahtijeva pristup raznim izvorima podataka.
Uspostavljanjem skladišta podataka operativne baze podataka rasterećuju se složenih
upita, pa dolazi do unapreñenja njihovih operativnih funkcija. Iz operativnih baza time je
uklonjena ogromna količina istorijskih podataka i preseljena u skladište podataka.
Informacioni sistem, u tom slučaju, sastoji se od dva dijela, operativnog dijela i skladišta
podataka. Budući da se tako lakše kontroliše i restrukturira informacioni sistem postaje
efikasniji i efektivniji.
41 http://www.intranetjournal.com/features/datawarehousing.html, 23. maj 2008.
53
Pomoću tehnika otkrivanja znanja skladište podataka osigurava stalno pronalaženje
novih informacija zavisno od novonastalih uslova i zahtjeva. Procesi za generisanje
informacija (ekstrakcija, agregacija, analiza, izvještaji itd.) izdvojeni su iz operativnih
procesa, što znači da operativni nivo sistema više nije njima opterećen. Skladište podataka
postaje mjesto prikupljanja i memorisanja poslovnih podataka i izvor informacija potrebnih
pri poslovnom odlučivanju.
Strukturu skladišta podataka čine dva osnovna dijela: podaci i mehanizmi
manipulacije tim podacima. Dio skladišta u kojem se nalaze podaci sastoji se od osnovnih
podataka i agregiranih višedimenzionalnih podataka, a mehanizme manipulacije predstavljaju
procesi ekstrakcije, transformacije i punjenja podataka (ETL), sistem upravljanja podacima,
postupci analitičke obrade i prezentacija rezultata.
Osnovna funkcija skladišta podataka je prikupljanje podataka i stvaranje logički
integrisanih i predmetno usmjerenih informacija. Treba ga oblikovati tako da se može na
jednostavan i brz način prilagoñavati svim promjenama i zahtjevima poslovnog okruženja.
S obzirom na predmetnu usmjerenost podataka, pri modeliranju skladišta primjenjuju se
tehnike koje podržavaju predmetnu orijentaciju, te osiguravaju dovoljnu prilagodljivost da bi
se tokom vremena mogli integrisati i podaci iz mogućih dodatnih izvora. Skladište podataka
mora da bude izvor stabilnih podataka, nezavisnih od eventualnih promjena u poslovnim
procesima. Iz tog razloga potrebno je koristiti model neosjetljiv na uticaje operativnih procesa
koji kreiraju većinu podataka. Osloboñeno operativnih obrada, skladište podataka obezbjeñuje
unapreñenje procesa generisanja informacija tehnikama otkrivanja znanja obezbjeñuje stalno
pronalaženje novih informacija i kreiranja znanja.
U skladište podataka smještaju se podaci iz različitih izvora, najčešće iz
transakcionih sistema organizacija. Najopsežniji posao u aktivnostima skladištenja podataka
predstavljaju procesi integrisanja podataka i organizovanje njihovog sadržaja. Pri tom glavnu
ulogu predstavlja skup procesa čiji je zadatak izdvajanje, transformisanje i punjenje ili
unošenje podataka iz jednog ili više transakcionih sistema u skladište podataka. Zajednički
naziv za te procese je ETL procesi, nastao od prvih slova engleskih riječi extraction,
transformation i loading.
Prije početka ETL procesa potrebno je izvršiti pripremne aktivnosti vezane uz
reformatiranje, usklañivanje i čišćenje podataka. Izvorne podatke, preuzete iz različitih
datoteka i baza podataka, potrebno je unificirati, odnosno prikazati u jedinstvenom formatu u
54
kojem će se podaci koristiti u svim daljnjim fazama obrade. Usklañivanje podataka provodi se
da bi se izbjegla redundancija podataka.
Pored toga što se u informacionom sistemu isti podaci mogu pojaviti na više mjesta,
oni mogu da budu nekonzistentni, odnosno da njihove vrijednosti nisu iste na svim mjestima
na kojima se pojavljuju. Radi toga potrebno ih je otkriti i uskladiti. Čišćenje kao pripremna
aktivnost ETL procesa ima zadatak da ukloni one podatke koji se pojavljuju kao posljedica
ranijih grešaka u radu informacionih sistema ili zbog namjernog unošenja netačnih i lažnih
podataka u sistem.
Opšta karakteristika standardnih ETL alata je da ako imaju bolje performanse vezane
uz procese čišćenja tada im je slabiji kapacitet procesa transformacije i obrnuto. Stoga je prije
izbora potrebno poznavati karakteristike podataka koji će se smještati u skladište podataka.
Ako se unaprijed zna da će biti mnogo podataka koji zahtijevaju postupak transformacije, tada
treba odabrati ETL alate koji su efikasniji za proces transformacije i obrnuto.
Proces ekstrakcije podataka potrebno je provoditi na način da pri tome redovni
operativni poslovi što manje trpe. Stoga su programi i alati za ekstrakciju oblikovani tako da
ETL procese mogu obavljati što efektivnije i brže. Pri tome se kao problem može pojaviti
potencijalno visok stepen redundancije podataka u transakcionim sistemima, pa treba odabrati
takav pristup ekstrakciji kojim se zahvataju samo oni podaci kojim će se koristiti aplikacije
poslovne inteligencije.
Podaci u transakcionim sistemima nalaze se u bazama podataka koje obuhvataju
kraće vremensko razdoblje te, stoga, nisu dovoljni kao podloga za kvalitetne analize i podršku
odlučivanju. Pored njih, dio izvornih podataka koji se obrañuje ETL procesima čine i
istorijski podaci. Stoga se za procese punjenja skladišta podataka koristi više vrsta ETL
programa kao što su programi za inicijalno punjenje, programi za punjenje istorijskih
podataka i programi za postupno (inkrementalno) punjenje.
Karakteristika programa za inicijalno punjenje skladišta podataka jeste da sadrže
rutine za čišćenje i usklañivanje podataka, da bi se iz podataka eliminisale greške. Za
istorijske podatke ponekad nije moguće primijeniti postupke čišćenja koji se primjenjuju za
tekuće podatke, jer je od vremena nastanka tih podataka do danas možda došlo do različitih
promjena u slogovima i formatima podataka. Stoga se za tu kategoriju podataka primjenjuju
programi za punjenje istorijskih podataka koji čine nastavak inicijalnog punjenja. Za razliku
od tekućih, istorijski podaci su statičkog karaktera i čine samo sadržaj arhivskih datoteka.
55
Treću vrstu predstavljaju programi za inkrementalno punjenje podataka, a aktiviraju se nakon
što su prethodna dva programa obavili postupak čišćenja i usklañivanja podataka. Njihova
karakteristika je da se pokreću periodično, a predstavljaju stalno aktivan mehanizam punjenja
skladišta podataka odgovarajućim sadržajima.
Implementacija skladišta podataka u poslovni sistem
Razvoj i implementacija sistema skladišta podataka zahtijeva dosta vremena i
značajna finansijska sredstva. Meñutim, kako su danas uspješne organizacije svjesne činjenice
da posjedovanje pravih i pravovremenih informacija predstavlja stratešku imovinu, odnosno
mogućnost brze reakcije na stanje na tržištu, odlučuju se na korišćenje tehnologije skladišta
podataka jer je upravo ona preduslov za brzo i fleksibilno pretraživanje podataka.
Jedan od praktičnih pristupa je postepena izgradnja sistema uz sukcesivno
nadograñivanje. Ukoliko se primijeni taj pristup, završni korak predstavlja kreiranje
troslojnog modela sistema skladištenja podataka. Sam postupak započinje razvojem nekoliko
spremišta podataka koja podržavaju troslojnu arhitekturu. Nakon odreñenog vremena, kad je
već razvijen odreñeni broj spremišta podataka, slijedi izgradnja centralnog skladišta i
odvajanje od pojedinih spremišta podataka.
Tok postepene izgradnje sistema skladištenja podataka sastoji se od nekoliko faza
koje se nadovezuju jedna na drugu na sljedeći način:
1. Utvrñivanje zajedničkih elemenata svih tematskih područja za koje je opravdano
da se ugrade u svako lokalno spremište podataka radi osiguravanja integracije
svih elemenata u jedinstven model.
2. Razvoj prve pilot aplikacije kojoj se pridružuje prvo spremište podataka.
Spremište podataka podijeljeno je na dvije komponente: na mini skladište i na
spremište podataka. Mini skladište fizički se memoriše kao nezavisna relaciona
baza podataka. Komponenta spremišta podataka zahvata podatke iz mini
skladišta i nakon obrade puni ih u relacione tabele rezervisane za sumarne
podatke.
3. U trećoj fazi slijedi postepeno aktiviranje novih spremišta podataka i razvijanje
daljnjih aplikacija potrebnih za zahvatanje potrebnih informacija iz mini skladišta
razvijenog s prvim spremištem.
4. U četvrtoj fazi dolazi do odvajanja skladišta podataka. Postepenim prethodnim
dodavanjem novih aplikacija mini skladište razvija se u sveobuhvatno centralno
56
skladište podataka koje u potpunosti zadovoljava potrebe svih spremišta podataka
za ekstrakcijom informacija. S obzirom na to da sva spremišta podataka
zahvataju informacije iz centralnog skladišta podataka, dobijeni podaci su
normalizovani i konzistentni. Centralno skladište moguće je premjestiti na
posebnu serversku platformu čime se završava proces kreiranja troslojnog
modela sistema skladištenja podataka.
Postepena izgradnja i implementacija sistema skladišta podataka predstavlja
prihvatljivo rješenje za većinu organizacija s obzirom na to da je moguće vremensko
razgraničenje troškova.
Uvoñenjem i puštanjem u rad ovog sistema završava se veliki posao, meñutim, to
nije kraj. Naime, implementacijom skladišta podataka i njegovim korišćenjem u praksi,
pojaviće se nova pitanja i zadaci s pozitivnim i negativnim predznakom koje treba rješavati.
Na primjer, u postupku skladištenja podataka i korišćenja dobijenih informacija, može se
pojaviti potreba za podacima koje nije moguće zahvatiti iz postojećih transakcionih sistema.
U takvim slučajevima, za nadopunu tim podacima, pojaviće se potreba za nadogradnjom ili
modifikacijom sistema za transakcionu obradu podataka ili razvoja sistema namijenjenog za
zahvatanje podataka koji nedostaju. Dok tradicionalni projekti započinju sa zahtjevima, a
završavaju s podacima, projekti skladištenja podataka startuju s podacima, a završavaju sa
zahtjevima.
Višedimenzionalni prikaz podataka
Skladište podataka puni se izvorima podataka unutar organizacije (transakcione
baze) i eksternim izvorima podataka. Postupcima ekstrakcije, transformacije i punjenja
kojima se zahvataju podaci iz unutarnjih i spoljnih izvora dobijaju se osnovni podaci
skladišta. Primjenom sistema za upravljanje podacima dobijaju se agregirani,
višedimenzionalni podaci koji različitim analitičkim metodama obrade omogućavaju
dobijanje različitih oblika informacija potrebnih menadžerima u procesu donošenja odluka.
Najveća prednost dimenzionalne strukture je mogućnost vizualne prezentacije informacija.
Povezivanje skladišta podataka s korisničkim interfejsom, uz odreñivanje načina postavljanja
upita i prikaza rezultata upita, omogućeno je menadžerima jednostavno i brzo postavljanje
upita kao i odgovarajući prikaz rezultata upita i to prema potrebi u obliku teksta, slike,
grafikona i sl. Stoga se u skladištu podataka najčešće koristi dimenzionalna struktura podataka
koja se zasniva na elementima relacione baze podataka, odnosno na relacionim tabelama.
57
Vezni element koji objedinjuje sve elemente predstavlja središnja relaciona tabela
koja memoriše elemente primarnih šifri svake od relacionih tabela koje učestvuju u strukturi,
te numeričke varijable koje treba da se analiziraju.42
Višedimenzionalna struktura podataka pruža velike mogućnosti za otkrivanje mnogih
detalja različitim postupcima analitičke obrade kao što su agregacija i detaljizacija ili
svrdlanje (drill up, drill down, drill through), unakrsni tabelirani prikaz (cross tabulation),
selekcija, isijecanje, izdvajanje i kombinovanje svih dimenzija, rotacija, odnosno isticanje
jedne dimenzije dok su druge u pozadini (pivoting), prognoziranje, modeliranje, grafičko
prikazivanje (charting), statističke analize (trend, klasteri) itd.
Navedene tehnike otkrivanja znanja omogućavaju kontinuirano pronalaženje novih
informacija namijenjenih menadžerima, a služe im prvenstveno za strateško, taktičko i
operativno donošenje odluka. Uvoñenjem koncepta skladištenja podataka, operativne baze
prestaju da budu opterećene složenim upitima, pa cijeli informacioni sistem koji se sada
sastoji od dva dijela, operativnog i skladišta podataka, postaje efikasniji i lakše se kontroliše i
restrukturira.
1.5.2.5 Otkrivanje znanja rudarenjem podataka (data mining)
Kontinuirani proces informatizacije društva, zapisivanje podataka, teksta i drugih
sadržaja u digitalnom obliku, te stalno memorisanje podataka u baze podataka dovodi do
njihovog izuzetno velikog rasta. Istovremeno s rastom baza podataka razvija se i potreba da se
velike količine podataka memorisane u njima, analiziraju i vizualiziraju, da bi se došlo do
potrebnih podataka, informacija i znanja. Pravi podaci i informacije predstavljaju osnovu za
donošenje uspješnih poslovnih odluka. U nastavku teksta opisan je koncept rudarenja
podataka koji se primjenjuje na području skladištenja podataka, pretraživanja podataka i
otkrivanja znanja u bazama podataka, s naglaskom na poslovni, a manje na tehnički aspekt.
Obično se na rudarenje podataka (data mining) gleda kao na finalnu manifestaciju
procesa skladištenja podataka. Meñutim, danas već dolazi do izdvajanja u potpodručja koja se
povezuju na izvore podataka pa se govori o rudarenju teksta (text mining), Web-a (Web
mining) ili podataka organizovanih u vremenske serije.
Rudarenjem podataka pronalaze se skriveni trendovi, modeli, zakonitosti i odnosi
meñu podacima. Alati za rudarenje podataka daju odgovore na poslovna pitanja za čija je
42 www.dwininfocenter.org/gotchas.html, "Data Warehousing Gotchas", 21.03.2008.
58
rješavanja u tradicionalnom pristupu trebalo mnogo više vremena. Oni pretražuju baze
podataka tražeći skrivene modele i pronalaze predvidljive informacije koje mogu da
promaknu stručnjacima jer "leže" izvan njihovih očekivanja. Primjenom alata za rudarenje
podataka moguće je otkriti ranije neprepoznatljive matrice ponašanja, mogu se tačnije i brže
predvidjeti budući trendovi i ponašanja, što omogućava poslovnom svijetu donošenje
proaktivnih odluka zasnovanih na znanju (knowledge-driven decisions). Razvitak metoda koje
se danas koriste u okviru pojma rudarenja podataka započinje sedamdesetih i osamdesetih
godina prošlog vijeka, a od sredine devedesetih godina pojam rudarenje podataka objedinjuje
skup metoda i postupaka čiji je zajednički cilj otkrivanje zakonitosti u masi podataka.
Tehnike rudarenja podataka rezultat su procesa istraživanja i razvoja statističkih
algoritama. Ova evolucija započela je još kad su poslovni podaci prvi puta memorisani u
računare, a nastavlja se kontinuirano s unapreñenjem pristupa podacima, generisanjem
tehnologija koje omogućuju korisnicima navigaciju kroz podatke u realnom vremenu. Proces
rudarenja podataka danas je moguće provoditi zato što je potpomognut:
- moćnom multiprocesorskom računarskom 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 grañen je na prethodnom. Na primjer, dinamični pristup podacima je kritična tačka za
svrdlanje (drill-through) u aplikacijama za navigaciju podacima, a osposobljenost za
skladištenje ogromnih baza podataka je kritična za proces rudarenja podataka.
Razvojem informacionih sistema memorisanje podataka u baze podataka postalo je
relativno jednostavno i jeftino, pa su se nametnula pitanja da li se istorijski podaci sadržani u
bazama podataka mogu koristiti za izradu modela procesa koji bi bili osnova za generisanje
dosad skrivenih podataka. Zatim, mogu li se na osnovu izrañenih modela procesa analizirati
prošla kretanja sistema u cjelini ili poslovnih podsistema i iz toga izvući konkretni zaključci?
Mogu li se na osnovu modela procesa previdjeti buduća kretanja poslovnog sistema u
odreñenom vremenskom periodu? Širenjem upotrebe baze podataka i novim pristupom
dinamičnom istraživanju podataka iz velike količine podataka dolazi se do skrivenih podataka
koji su značajni za pribavljanje informacija i otkrivanja znanja zasnovanog na podacima i
stvaranja nove poslovne vrijednosti.
59
Danas u mnogim poslovnim područjima, na primjer finansijama, trgovini,
marketingu, zdravstvu i slično ili u bilo kojem naučnoistraživačkom području standardni
pristup analizi podataka zasniva se na radu analitičara koji obrañuju podatke uz primjenu
računarskih programa ili bez njih. S obzirom da količina podataka dramatično raste, danas je
bilo kakva obrada podataka bez upotrebe računara i savremenih algoritama obrade potpuno
neefikasna i praktički nemoguća. U okviru razvoja informacionih sistema, kao što je ranije
napomenuto, prisutna je pojava rasta baza podataka, koja je posljedica kontinuiranog
memorisanja podataka u baze podataka. Savremena analiza takvih podataka preduslov je za
donošenje kvalitetnih odluka u modernom poslovanju, a isto tako i kvalitetnog naučno-
istraživačkog rada.
Rezultat analize podataka iz baza podataka je otkrivanje novog znanja. Izraz
otkrivanje znanja podrazumijeva cjelokupni proces otkrivanja korisnog znanja iz podataka, a
rudarenje podataka je jedan korak u tom procesu. U procesu rudarenja podataka koriste se
različite metode, meñutim analitička statistika predstavlja temelj svih postupaka otkrivanja
znanja. Gledano iz perspektive statistike, postupak rudarenja podataka uz pomoć računara
samo je automatizovana istraživačka analiza podataka iz velikih i kompleksnih baza podataka.
Uspješnost rudarenja podataka zavisi od izvora podataka i od samog kvaliteta
podataka. U organizacijama koje su razvile i koriste se alatima poslovne inteligencije izvori
podataka za analize najčešće su skladišta podataka. Meñutim, postojanje skladišta podataka ne
mora da bude preduslov za proces rudarenja podataka. Kreiranje i izgradnja skladišta
podataka najčešće je ogroman posao koji ponekad traje godinama i pretpostavlja znatna
finansijska sredstva. Stoga kao izvori podataka ponekad služe i druge, izvorne baze podataka
u kojima podaci mogu biti nekompletni, ne pojavljuju se na zadovoljavajućem stepenu
granulacije ili se može pojaviti nekonzistentnost unutar samih podataka.
Izvori podataka ne moraju uvijek da se nalaze u bazama podataka. Podaci mogu da
budu i u Excel, ASCII, DBF, tekstualnim i drugim datotekama, a moguće su i kombinacije
baza podataka i pomenutih datoteka. Isto tako rudarenje podataka može se primjenjivati i na
Web-u i u tekstualnim podacima. Pristup tim podacima razlikuje se od klasičnog pristupa
bazama podataka i datotekama u različitim formatima podataka. U zavisnosti od planiranog
cilja analize, ponekad je potrebno povezivanje na više izvora podataka da bi se izvukli podaci
relevantni za analitički proces. Takvi podaci treba da proñu postupak čišćenja,
pretprocesiranja i analize relevantnosti atributa.
60
Pretprocesiranje podataka
Metode rudarenja podataka primjenjive su u područjima u kojima se raspolaže s
velikom količinom podataka na osnovu kojih se otkrivaju odreñene veze, pravilnosti i
zakonitosti. Za uspješno provoñenje procesa rudarenja podataka potrebno je precizno
formulisati cilj i problem koji se želi riješiti, a uspješnost rudarenja podataka zavisiće i od
kvaliteta raspoloživih podataka. Kad je u pitanju izbor metoda rudarenja podatka, danas na
raspolaganju stoji veliki broj različitih metoda. Postoje glavne, opšteprihvaćene metode
rudarenja podataka, dok, isto tako, postoji i niz metoda iz ostalih područja koje se ne mogu
svrstati u jednu vrstu metoda. Metode koje se najčešće koriste u procesu rudarenja podatka su:
regresiona metoda, klasifikacione metode, metode klasterisanja, metode koje se zasnivaju na
vještačkim neuronskim mrežama, stabla odlučivanja, genetski algoritmi i dr.
Nakon provedenog postupka rudarenja podataka u kojem dolazi do otkrivanja niza
korisnih pravila, da bi se otkrivena pravila mogla uspješno koristiti i interpretirati, potrebno ih
je povezati i formalizovati. Znanja otkrivena u procesu rudarenja podataka prezentiraju se u
obliku izvještaja ili se formaliziraju i "skladište" u sisteme zasnovane na pravilima.
Skladištenje se primjenjuje za ona pravila koja se izražavaju u obliku AKO – ONDA. Neki
sistemi, kao npr. neuronske mreže, u mogućnosti su, osim pravila, da prihvate dinamičke
modele. Sistemi zasnovani na pravilima (rule based systems) mogu se podijeliti na dva
osnovna tipa: tradicionalni ekspertni sistemi i sistemi zasnovani na rasplinutoj (fuzzy) logici.
Gledano iz korisničke perspektive, ekspertni sistemi djeluju po principu pitanja i odgovora.
Mehanizam odgovora je složen proces koji ulančava niz pravila radi zaključivanja na osnovu
odgovora koje mu nudi korisnik.
Strukturirano znanje u obliku pravila može se dalje nadopunjavati, odnosno referisati
na "tvrda pravila" već postojeće baze činjenica ekspertnog sistema, čime dolazi do interakcije
dijelova ekspertnih sistema i novih pravila dobijenih različitim metodama rudarenja podataka.
Područja primjene alata za rudarenje podataka
Danas već postoji velik broj organizacija koje nude softver za rudarenje podatka, s
tim da je manji broj onih koje nude kompletna rješenja za otkrivanje znanja. U današnjim
uslovima poslovni procesi generišu ogromne količine podataka, pa baze podataka imaju
raspon mjeren u terabajtima (više od 1012 bajtova) podataka, a jaz izmeñu mogućnosti
prikupljanja podatka i analize podataka stalno se povećava. Unutar te mase podataka skrivaju
se informacije od strateškog značaja za poslovne subjekte. Dva kritična faktora bitna za
61
uspješno provoñenje rudarenja podataka su pravilno integrisano skladište podataka i dobro
poznavanje i razumijevanje procesa poslovanja nad kojim se želi primijeniti postupak
rudarenja podataka. Naravno primjena rudarenja podataka podrazumijeva veliko statističko
predznanje, a preduzeća obično nemaju dovoljan broj analitičara koji se time bave.
Primjena rudarenja podataka najkorisnija je tamo gdje je stalno prisutna prijetnja
viška podataka. Rudarenje podataka danas se primjenjuje na mnogim poslovnim područjima
kao što su proizvodnja, telekomunikacije, bankarstvo, finansije, osiguranje, maloprodaja i dr.
Situacije u kojima se rudarenje podataka uspješno primjenjuje su npr. zadržavanje potrošača
(retention), otkrivanje prevara s kreditnim karticama, sistemi za segmentaciju, ciljanje i
pozicioniranje na tržištu (segmentation, targeting, positioning) i sl. Na primjer, finansijska
institucija koja je izložena rastućoj konkurenciji zbog internacionalne deregulacije posla, te
zbog toga gubi sve veći broj korisnika, rudarenjem podataka po internim transakcionim
bazama podataka i ostalim spoljnim izvorima podataka, može da sazna više o razlozima zbog
kojih njeni korisnici odlaze konkurenciji. Na osnovu novih informacija i znanja dobijenog
postupkom rudarenja podataka može lakše doći do saznanja o načinima za ublažavanje
navedenog problema.
1.6 Projektovanje sistema za podršku odlučivanju Priroda sistema za podršku odlučivanju zahtijeva različito projektovanje i razvojne
tehnike od klasičnih serijskih ili on-line sistema. Umjesto klasičnog projektovanja, sistem za
podršku odlučivanju zahtijeva iterativno projektovanje koje omogućava da se sistem
projektuje i prilagodi u skladu sa promjenom problema ili situacije odlučivanja.
Sistemi za podršku odlučivanju moraju da se grade na način da pruže mogućnost
dobijanja kratke i brze povratne informacije od korisnika da bi se obezbijedilo korektno
odvijanje projektovanja, a da se lako i brzo omoguće eventualne promjene.43
Prојеktоvаnjе sistema za podršku odlučivanju (pоsеbnо vеlikih) prеdstаvljа
kоmplikоvаn prоcеs. Оno оbuhvаtа pitаnjа kоја sе prоtеžu оd tеhničkih (npr. izbоr hаrdvеrа i
umrеžаvаnjе) dо bihеviоrаlnih (npr. kоrisnički intеrfејsi i pоtеnciјаlni uticај sistema za
podršku odlučivanju nа pојеdincе, grupе i cijеlu оrgаnizаciјu).
S оbzirоm na to dа pоstојi nеkоlikо vrstа sistema za podršku odlučivanju nе pоstојi
nајbоlji pristup njihovom prојеktоvаnju. Prema tome, pоstојi višе vаriјаciја pristupu
43 Sprague, R. H. Jr. and H. J. Watson 1996. Decision Support for Management. N.J.: Prentice Hall, Upper
Saddler River, p. 15.
62
projektovanja s оbzirоm nа rаzlike u оrgаnizаciјаmа, dоnоsiоcimа оdlukа i pоdručјu
rješavanja prоblеmа sistema za podršku odlučivanju. Nеki sistemi za podršku odlučivanju
projektuju se samo dа bi pоdržali јеdnоkrаtnu оdluku. Sistеmi mоgu dа budu prојеktоvаni zа
nеkоlikо dаnа u ОLАP pаkеtu, rаdnim tаbеlаmа ili drugоm аlаtu, a mogu se projektovati
sistemi čiji je životni vijek nеkоlikо gоdinа.
1.6.1 Faze projektovanja sistema za podršku odlučivanju
Osnovne faze projektovanja sistema za podršku odlučivanju, prikazane na slici 1.12,
predstavljaju tradicionalno projektovanje životnog ciklusa sistema. Faze projektovanja
obuhvataju:44 planiranje, analizu, dizajniranje i implementaciju i ne razlikuju se od
projektovanja klasičnog informacionog sistema preduzeća.
Slikа 1.11 Osnovne faze projektovanja sistema
Zahtjev
Implementacija
Planiranje
Analiza
Dizajn
Sistem
Izvor: (prilagoñeno) Turban, E. et. al. 2005. Decision Support Systems
and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 311.
1. Planiranje počinje sa zahtjevom za projektovanje poslovnog sistema. Ono
uključuje moguće povoljne prilike identifikovane skeniranjem okruženja. Ako postoji
problem koji treba da se riješi preduzima se studija izvodljivosti koja ocjenjuje da li je ideja
44 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 311.
63
održiva. Ovdje se odgovara na pitanja u vezi sa tehničkom, troškovnom i organizacionom
izvodljivošću. Ako je projekat odobren odreñuje se projekt menadžer koji sastavlja plan rada,
imenuje osoblje za realizaciju projekta i bira metode upravljanja projektom.
2. Analiza može da se obavi pomoću intervjua koji treba da odgovori na važna
pitanja kao što su: ko su budući korisnici sistema, predmet, vrijeme i mjesto funkcionisanja
sistema. Analiza počinje razvojem strategije ili plana analize po kojem se vodi projekat. Ako
već postoji sistem, on se analizira uporedo s načinima njegove transformacije u novi sistem.
3. Dizajniranjem se nagovještava način funkcionisanja sistema razmatranjem
hardvera, softvera, mrežne infrastrukture, korisničkog interfejsa i dr. U ovoj fazi dizajnira se
korisnički interfejs, obrasci, ekranski prikazi, izvještaji i programi, datoteke i baze podataka.
U strategiji dizajna odlučuje se o većini elemenata sistema koji će biti nabavljeni, ugovoreni
ili izgrañeni u organizaciji. To vodi ka dizajniranju arhitekture, projektovanju baza podataka i
datoteka, razvoju i izradi programa, a sve to zajedno čini sistemske specifikacije.
4. Implementacija. Faza implementacije obuhvata sve navedeno zajedno. Ona se
odvija na mjestu izgradnje ili kupovine sistema. Izgradnja obuhvata ne samo izgradnju
sistema već i njegovo testiranje da bi se provjerilo da li sistem funkcioniše. Bolje planiranje
može da dovede do sistema sa manje grešaka. Instalacija je zadnji korak i obuhvata stvarno
podizanje i pokretanje sistema.
Proces sistemske analize, dizajna i implementacije stvara organizacione promjene
kojima se mora upravljati. Projektovanje i implementacija sistema za podršku odlučivanju
obuhvata implementacione promjene – promjene u radu organizacije ili pojedinaca. U toku
procesa projektovanja postoji nekoliko faktora koji moraju da se odvijaju pravilno ili će
sistem doživjeti neuspjeh. Mora se upravljati očekivanjima korisnika koji, kao i menadžeri,
moraju biti involvirani u proces projektovanja sistema. Izvršioci i finansijeri informacione
tehnologije moraju biti ustanovljeni, a komunikacija sa svima njima mora biti otvorena.45
Životni ciklus projektovanja složenih sistema može da se vodi pomoću CASE alata
koji predstavljaju esencijalne informacione sisteme i softver za analitičare sistema za podršku
odlučivanju i mogu da pomognu pri upravljanju svim aspektima projektovanja sistema. CASE
softver dolazi od više različitih isporučilaca i funkcioniše na različitim hardverskim
platformama i sa različitim nivoima funkcionalnosti. CASE sistemi koji su podesniji za
45 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 312.
64
analizu i dizajn nazivaju se viši CASE (upper CASE), dok su drugi sistemi prilagoñeni za
implementaciju i održavanje i nazivaju se niži CASE (lower CASE), slika 1.13.46
Slikа 1.12Tradicionalni životni ciklus sistema i CASE alati za podršku
Izvor: Edwards, P. 1993. System Analysis and Design. London: McGraw-Hill, p. 46.
Novi softverski paketi za analizu i dizajn koji se, pored CASE alata, koriste u fazi
analize i dizajna obezbjeñuju alat za analizu, izvještavanje i saradnju su:47 Sybase
PowerDesigner, Oracle Internet Development Suite, Rational ClearQuest i dr.
Sybase PowerDesigner. Ovaj softver podržava fizičke relacione modele podataka, a
projektantima aplikacija, dizajnerima baza podataka i analitičarima podataka pruža
mogućnosti modeliranja pomoću univerzalnog jezika modeliranja (UML). Više korisnika
može simultano da memoriše i dijeli informacije dizajniranja u isto vrijeme zajedničkim
radom na više projekata dizajniranja aplikacija.
Oracle Internet Development Suite uključuje Java alat, alate za sastavljanje
izvještaja, alate za razvoj aplikacija, alate poslovne inteligencije i alate izgradnje portala
preduzeća u jednom integrisanom okviru.
Rational ClearQuest obezbjeñuje pouzdanu i efikasnu ocjenu projekata. On obuhvata
izvještaje, dijagrame i Web interfejs.
Internet je preplavljen alatima za analizu i dizajn. Ranije je razvojni projekat trajao
tri do šest mjeseci. To je suviše dug period za aplikacije elektronske trgovine. Analiza i dizajn 46 Edwards, P. 1993. System Analysis and Design. London: McGraw-Hill, pp. 45-46. 47 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall,
p. 315-316.
65
veoma su važni i složeni u projektovanju koje se zasniva na Web-u zbog različite i podijeljene
vrste učesnika i zato što kupci direktno utiču na biznis preduzeća preko on-line sistema.
1.6.2 Upravljanje projektom izgradnje sistema za podršku odlučivanju
Sisteme za podršku odlučivanja razvijaju timovi, a voña tima mora da ima izražene
vještine upravljanja projektima. Menadžerske vještine i kvaliteti koji pomažu projekt
menadžeru su:48 liderstvo, dobra komunikacija, sposobnost rješavanja konflikata,
pregovaračka sposobnost, formiranje tima, osluškivanje okruženja, upravljanje odnosima i dr.
Za uspješno upravljanje projektom izgradnje sistema za podršku odlučivanju
značajno je uvažavati faktore uspjeha projekta kao što su: podrška izvršilaca, uključivanje
krajnjeg korisnika, iskusan projekt menadžer, jasni poslovni ciljevi, minimiziran djelokrug
rada, standardna infrastruktura, vizija, misija i ciljevi organizacije, formalna metodologija,
stručno osoblje i dr.49
1.6.2.1 Softver za upravljanje projektom
Na tržištu postoje izvanredni softverski alati za upravljanje projektima koji se mogu
primjenjivati i prilikom projektovanja i izgradnje sistema za podršku odlučivanju. Takvi alati
su: Microsoft Project, PlanView (PlanView Inc.) i ActiveProject (Framework Technologies
Corporation). Alati su dostupni na Web-u i omogućavaju direktnu saradnju radnih timova bez
obzira na vremensku i prostornu distancu. Microsoft Project 2000 sa Microsoft Project
Central softverom sastoji se od prihvatljivog alata za saradnju zasnovanog na Web-u.
PlanView mrežni softver dizajniran je za upravljanje projektom i menadžmentom radne snage
(PlanView, Inc., Austin, Texas). PlanView je dinamički, multidimenzionalni alat za
upravljanje resursima i programima. On obuhvata HomeView portal. Većina alata za
upravljanje projektima je zasnovan na Web-u, a uključuje i onProjects optEnterprise,
PlanView, Rational Software's Rational Unified Process (RUP), Business Engine's BEN i
Microsoft Project. Jedan od pristupa za upravljanje projektnim portfolijom jeste kreiranje
digitalne kontrolne table za praćenje napredovanja projekta.50
Za praćenje projekata informacione tehnologije General Motors konstruisao je
digitalnu projektnu kontrolnu tablu (Dashboard). Sistem funkcioniše na bazi kodiranja
projekta informacione tehnologije po boji: zeleno ako se projekat odvija po planu, žuto ako je
48 Vitiello, J. 2001 (July). "Fast Track into Management". Computer World. pp. 42-43. 49 King, J. 2002 (April 22). "Back to Basics". Computer World, pp. 36-37. 50 Ibid, p. 327.
66
makar jedan ključni cilj propušten i crveno kada je projekat signifikantno (makar i
privremeno) u zaostatku.51 Prikazivanje informacija vezanih za projekat na kontrolnoj tabli uz
pomoć svjetlosne signalizacije, kao u saobraćaju, liči na OLAP ili na EIS tehnologiju.
Za svaki projekat General Motorsa, koji je u vezi sa informacionom tehnologijom,
prate se i ocjenjuju četiri kriterijuma: (1) performanse u vezi sa budžetom, (2) performanse u
vezi sa planom aktivnosti, (3) postignuti poslovni rezultati i (4) rizik. Informacije se ažuriraju
i prikazuju mjesečno. Crveno znači da projekat zahtijeva pomoć. Za projekat može da bude
potrebno više novca, ljudi ili pomoći od isporučioca. Digitalna projektna kontrolna tabla
snabdjevena je obavještajnim sistemom ranog davanja upozorenja o problemima projektnim
menadžerima. Intervencija je automatska ako je sistem "u crvenom" tri i više mjeseci. Za
važne projekte crveno upozorenje je suvišno.52
1.6.2.2 Alternativne metodologije projektovanja
Postoji nekoliko alternativnih metodologija projektovanja koje se zasnivaju na
tradicionalnom životnom ciklusu projektovanja sistema (SDLC*). Metodologija veoma slična
SDLC jeste paralelno projektovanje u kojem je faza dizajna i implementacije podijeljena u
više primjeraka koji prate fazu analize. Svaki od tih primjeraka uključuje projektovanje
posebnog podsistema ili potprojekta. Oni se pojavljuju zajedno u jedinstvenoj fazi
implementacije u kojoj sistemski integrator objedinjuje pojedinačne dijelove u jedan
kohezioni sistem. Dijelom implementacije sistema za podršku odlučivanju upravlja se na
sljedeći način: četiri komponente (baza podataka, baza modela, korisnički interfejs i znanje) u
suštini mogu da se projektuju paralelno.53
Metode brzog projektovanja aplikacija prilagoñavaju projektovanje životnog ciklusa
sistema tako da dijelovi sistema mogu da se projektuju na način, da bi se korisnicima što je
moguće brže obezbijedile odreñene funkcionalnosti sistema. Ova metodologija obuhvata
fazno projektovanje, izradu prototipa i metodu odbacivanja prototipa. Sve ove metode mogu
da budu prikladne i za projektovanja Web sistema preko alata Web programiranja. Web
stranice, posebno stranice elektronske trgovine, razvijaju se brzo i kontinuirano, a te metode
51 Mayor, T. 2000 (October 1). "Red Light, Green Light". CIO, pp. 108-112. 52 Ibid. * Spisak skraćenica i akronima nalazi se na kraju rada. 53 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 327.
67
su važne za njihovo projektovanje.54 Izrada prototipa je osnovna metodologija po kojoj se
projektuju i sistemi podrške odlučivanju i Web sistemi.
Prototip je brz i jeftin eksperimentalni sistem izgrañen za ocjenu od strane krajnjih
korisnika. U interakciji sa prototipom korisnici mogu da dobiju bolje ideje o informacionim
zahtjevima za izgradnju sistema za podršku odlučivanju. Prototip55 je radna verzija sistema za
podršku odlučivanju ili njegovog dijela, meñutim namijenjen je da bude samo preliminarni
model. Proces projektovanja prototipa (slika 1.14) odvija se iterativno jer se koraci mogu
ponavljati više puta. Navedeni koraci su:56
1. Identifikovanje osnovnih zahtjeva korisnika. Dizajner sistema, obično specijalista
za sisteme podrške odlučivanju, prikuplja osnovne informacione potrebe od
krajnjeg korisnika sistema.
2. Razvoj inicijalnog prototipa sistema. Sistem dizajner kreira radni prototip pomoću
softvera četvrte generacije, interaktivnih multimedija ili CASE softvera.
Slikа 1.13 Proces izgradnje prototipa
Izvor: Laudon, K. C., Laudon, J. P. 2002. Management Information Systems.
N.J.: Prentice- Hall, Inc., Upper Saddle River, p. 323.
54 Ibid, p. 327. 55 Laudon, K. C., Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice- Hall, Inc., Upper Saddle
River, pp. 322-323. 56 Ibid.
68
3. Korišćenje prototipa. Korisnik se koristi prototipom da bi utvrdio da li prototip
sistema zadovoljava njegove potrebe i daje sugestije za njegovo unapreñivanje.
4. Provjera i unapreñivanje prototipa. Kreator sistema bilježi sve promjene koje
zahtijeva korisnik i prema tome usavršava prototip. Pošto je prototip sistema
revidiran ciklus se vraća na treći korak. Treći i četvrti korak se ponavljaju dok
korisnik ne bude potpuno zadovoljan. Ako nema više iteracija prototip postaje
operativan.
S obzirom na to da se polustrukturirani i nestrukturirani problemi odlučivanja
odnose na sisteme za podršku odlučivanja, mala je vjerovatnoća da menadžeri i projektanti
sistema za podršku odlučivanja imaju kompletno razumijevanje problema odlučivanja. Može
se dogoditi da oni ne razumiju dubinu problema, vrstu odgovarajućih modela ili tehnologija
primjene i/ili informacione zahtjeve, tako da se većina sistema za podršku odlučivanju
projektuje pomoću procesa prototipa. Prototip proces poznat je i kao iterativni dizajn ili
evoluciono projektovanje,a u upotrebi su još i nazivi adaptivni ili inkrementalni dizajn.57
Razvoj sistema za podršku odlučivanju pomoću prototipa ima odreñene prednosti i
nedostatke. Prednosti obuhvataju:58 kratko vrijeme projektovanja, brzo reagovanje (feedback)
korisnika, bolje razumijevanje sistema od strane korisnika, niski troškovi i dr.
Izgradnja sistema pomoću prototipa najpodesnija je ako postoji neizvjesnost u vezi sa
zahtjevima i solucijama dizajna.59 Prototip je posebno od pomoći pri dizajniranju interfejsa
krajnjeg korisnika sistema za podršku odlučivanju.
Mogući nedostatak primjene prototipa za izgradnju sistema za podršku odlučivanju
može da bude i površno shvatanje menadžmenta da sistem radi prihvatljivo i uvjeravanje da
nije potrebno nikakvo reprogramiranje, redizajn ili potpuna dokumentacija i testiranje za
izgradnju potpuno razrañenog sistema za podršku odlučivanju. Izgradnja sistema po
metodologiji prototipa može da uspori proces ako postoji veliki broj krajnjih korisnika čiji
zahtjevi treba da se zadovolje.60
Značajno je da se u proces projektovanja sistema za podršku odlučivanju uključe svi
korisnici sistema i to u sva funkcionalna područja na svim stručnim nivoima i svim nivoima
organizacije: menadžeri, izvršni menadžeri, osoblje, sekretari i dr. Sistem za podršku
57 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 331. 58 Ibid, p. 334. 59 Laudon, K. C., Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice- Hall, Inc., Upper Saddle
River, p 323. 60 Ibid, p.323.
69
odlučivanju razvijen od strane korisnika ima podrobniju definiciju. On uključuje donosioce
odluka i profesionalce (naučne radnike kao što su finansijski ili poreski analitičari i inženjeri)
koji grade sistem i koriste se računarom da bi rješavali probleme ili unapreñivali svoju
produktivnost.61 Meñutim, uključivanje krajnjih korisnika u proces projektovanja i izgradnje
sistema za podršku odlučivanju, pored prednosti, povezano je i sa rizikom.
61 Ibid.
70
71
2 SISTEMI PODRŠKE GRUPNOM ODLUČIVANJU
2.1 Grupno odlučivanje
Odreñene odluke u organizaciji rezultat su individualnog donosioca odluke −
menadžera koji je sam odgovoran za odlučivanje i snosi posljedice implementacije takve
odluke. Meñutim, većina odluka u preduzeću donosi se zajednički, odnosno оdlukе su rezultat
grupe donosilaca odluka. Formiranje i okupljanje grupe u istom mјestu i u isto vriјeme može
da bude otežano i skupo. Da bi se unapriјedio grupni rad i grupno, odnosno zajedničko
odlučivanje, upotrebljavaju se sistemi za računarsku saradnju i komuniciranje, groupware –
računarski alati koji se projektuju da bi obezbiјedili podršku grupi, sistemi elektronskih
konferencija i sistemi podrške grupnom odlučivanju. Njihova prvenstvena uloga jeste da dајu
pоdršku grupnim pоslоvimа koji su poznati pod pојmоm kooperativni pоslоvi podržani
računarom ili podrška komuniciranju i saradnji.
Grupno odlučivanje je najvažniji i najčešći proces odlučivanja od različitih procesa
odlučivanja u kompanijama i organizacijama oba sektora: javnog i privatnog. Većina
problema odlučivanja u realnom svijetu uključuje više donosilaca odluka. Meñutim,
razumijevanje, analiza i podrška procesa postaje veoma teška izazvana nestrukturiranim,
dinamičkim okruženjem i postojanjem više donosilaca odluke od kojih svaki ima svoj vlastiti
aspekt posmatranja načina na koji se upravlja problemom i donosi odluka.62
Karakteristike grupnih problema koje je teško "napasti" da bi se riješili su: (1)
pripadaju skupu socijalnih, a ne matematičkih ili naučnih problema, (2) teško je udovoljiti
svim ograničenjima i zahtjevima, (3) s obzirom na to da su teži od individualnih problema
teže se postavlja model njihovog rješavanja i (4) postoji nekoliko metodologija za provjeru
nepristrasnosti – pojma koji je usko povezan sa agregiranjem preferencija.63
Razvoj metodologija višekriterijalnog odlučivanja i povećanje popularnosti
kompjuterizovanih metoda višekriterijalnog odlučivanja obezbijedili su naučnicima o
menadžmentu skup alata kojima mogu da se koriste pojedinačni donosioci odluka pri
rješavanju problema s više kriterijuma. Meñutim, većina situacija odlučivanja zahtijeva
kolektivan pristup grupe donosilaca prije nego pristup individualnog donosioca odluke. Prema
62 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, p. 185. 63 Choi, H. A. et al. 1994. "Analytic Hierarchy Process: It Can Work for Group Decision Support Systems".
Computers and Industrial Engineering. Vol. 27. No. 1-4, pp. 167-171.
72
tome, efektivnost metoda višekriterijalnog odlučivanja, kada se njima koristi više donosilaca
odluka, ostaje neprovjerena.64 Praktične metode agregiranja preferencija potrebne su za
proširivanje postojeće metodologije višekriterijalnog odlučivanja i računarskih tehnologija za
podršku rješavanju problema grupnog odlučivanja.65
Većina važnih odluka u organizaciji može da bude donesena grupnim odlučivanjem.
Meñutim, to ne znači da je grupno odlučivanje efikasnije i efektivnije od individualnog.
U nekim uslovima adekvatnije je i efektivnije grupno, a u drugim individualno odlučivanje.
Ako je problem odlučivanja složen i može da se dekomponuje na sastavne dijelove ili
potprobleme koje bi kompetentno mogli da riješe razni članovi grupe i ako ti članovi
raspolažu znanjem, informacijama i komplementarnim vještinama, onda veće izglede na
uspjeh ima grupno u odnosu na individualno odlučivanje. Ako rješavanje problema i situacija
odlučivanja zahtijevaju generisanje kreativnih ideja i ako se problem ne može dekomponovati
veće izglede na uspjeh ima individualno odlučivanje.66
Donošenje odluka povezano je s rizikom i neizvjesnošću. Zapažena je pojava da su
osobe koje odlučuju u grupi, odnosno članovi tima za grupno odlučivanje sklonije riziku nego
u individualnom odlučivanju. To se objašnjava difuzijom odgovornosti: pri individualnom
odlučivanju jedna osoba (donosilac odluke) preuzima potpunu odgovornost za odluku i
posljedice donošenja odluke, dok je u grupi odgovornost podijeljena izmeñu članova grupe.67
Osnovne karakteristike grupnog odlučivanja su: 68
� grupa zajednički izvršava zadatak, odnosno donosi odluku,
� članovi grupe mogu da budu smješteni na različitim lokacijama,
� članovi grupe mogu da rade u različito vrijeme,
� članovi grupe mogu da rade za istu ili za različite organizacije,
� grupa može da bude stalna ili privremena,
� grupa može da bude na bilo kojem nivou upravljanja ili da obuhvata više nivoa,
� postojanje sinergije (dobici procesa i zadatka) ili konflikta u grupi,
� mogu da se postignu dobici i/ili gubici u produktivnosti grupnog rada,
� zadatak može da se izvrši veoma brzo,
64 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, p. 185. 65 Iz, P., Krajewski, L. 1992. "Comparative Evaluation of Three Interactive Multiobjective Programming
Techniques as Group Decision Support Tools". INFOR. Vol. 30. No. 4, pp. 349-363. 66 Balaban, N., Ristić, Ž. 1998. Sistemi podrške odlučivanja. Subotica: Ekonomski fakultet, str. 61. 67 Isto, str. 61. 68 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 365.
73
� nemoguće ili skupo okupljanje svih članova grupe na istom mjestu,
� neki od potrebnih podataka, informacija ili znanja mogu da budu smješteni u više
izvora, od kojih su neki izvan organizacije i dr.
2.2 Podrška komuniciranju i saradnji Kada donosioci odluka rade u timu, posebno kada su članovi tima ili grupe na
različitim lokacijama i mogu da budu prinuñeni da rade u različito vrijeme potrebno je da
komuniciraju, sarañuju i pristupaju različitim skupovima informacionih izvora u različitim
formatima. Da bi grupe sarañivale efektivno potrebne su odgovarajuće metode i tehnologije.
Internet i njegovi derivati intranet i ekstranet su platforme na kojima se dešava većina
komunikacija za saradnju. Internet (World Wide Web), mreža računarskih mreža, podržava
meñuorganizaciono odlučivanje pomoću alata za saradnju i pristupa podacima, informacijama
i znanju unutar preduzeća i iz njegovog okruženja. Meñuorganizaciona mrežna podrška
odlučivanju efikasno i efektivno može da bude podržana intranetom. Donosioci odluka unutar
organizacije mogu da rade pomoću alata Interneta i procedura informacionih portala
preduzeća.
2.2.1 Komunikaciona podrška
Ključni element podrške odlučivanju predstavlja komunikacija bez koje nema ni
saradnje. Pojedinci u slučaju individualnog donošenja odluka moraju da komuniciraju sa
kolegama, ekspertima, vladinim agencijama, kupcima, dobavljačima, poslovnim partnerima i
drugim zainteresovanim stranama. Individualnim donosiocima odluka potrebni su podaci,
informacije i znanje sa više lokacija iz užeg i šireg okruženja. Grupe donosilaca odluka
moraju da komuniciraju, da sarañuju i da se dogovaraju o svojim poslovima. Bez vlastitih
komunikacionih sistema većina organizacija postala bi nefunkcionalna. Za uspjeh virtuelnih
timova, posebno onih na poslovima projektovanja, potrebna je brza komunikaciona
tehnologija.
Moderne informacione i telekomunikacione tehnologije omogućavaju jeftine, brze,
snažne i pouzdane načine komunikacione podrške. Mrežni računarski sistemi, Internet,
ekstranet i intranet su platforme koje omogućavaju komunikaciju. Istorijski posmatrano ovi
sistemi razvijali su se posljednjih decenija, a u njima su se razvili elektronska pošta (e-mail),
programi za ćaskanje (chat programs), elektronski bilteni, sistemi za videokonferencije i sl.
Većina od tih tehnologija funkcioniše na Web-u, odnosno Internetu. Tehnologije za saradnju
74
koje obuhvataju posljednje komunikacione projekte sistema elektronskih sastanaka (EMS) i
sistema elektronskih konferencija i usluga obično se koriste Internetom za meñusobno
povezivanje donosilaca odluka.69
2.2.2 Podrška saradnji
Rješavanje složenih problema zahtijeva da ljudi rade zajedno, primorani da formiraju
radne grupe. U organizacijama grupe donose većinu glavnih odluka, pa je potrebno da članovi
grupe sarañuju. Komunikacija, prije svega, podrazumijeva prenos informacija od pošiljaoca
do primaoca. Meñutim saradnja je nešto dublje. Saradnjom se prenose mišljenja ili znanja
izmeñu članova grupe. Ona obuhvata podjelu dokumenata, informacija i znanja, kao i takvih
aktivnosti kao što je brainstorming i glasanje. Saradnja znači da ljudi aktivno rade zajedno i
zahtijevaju alate računarske podrške za saradnju koji se grade na komunikacionim metodama.
Računarski podržani sistemi kooperativnog rada (CSCW) ili računarska saradnja poznata je
pod nazivom grupni sistemi podrške (GSS) ili groupware70. Oni obuhvataju sisteme
elektronskih sjednica i sisteme elektronskih konferencija.71
Groupware se odnosi na softverske proizvode koji omogućavaju podršku saradnji
grupe. Groupware obezbjeñuje mehanizam za timove tako da mogu da razmjenjuju mišljenja,
podatke, informacije, znanje i druge resurse. Različite tehnologije računarske saradnje
podržavaju groupware na različite načine, zavisno od vrste u odnosu na mjesto i vrijeme u
kome se posao pojavljuje, namjene grupe i zadatka.
Groupware obično sadrži najmanje jednu od sljedećih mogućnosti:72 elektronski
brainstorming, elektronske konferencije, grupni vremenski raspored aktivnosti, izradu
kalendara, planiranje, rješavanje konflikata, izradu modela, videokonferencije, elektronski
prenos dokumenata, glasanje, organizaciono pamćenje i dr. Sve ove mogućnosti predstavljaju
podršu grupnom odlučivanju. Većina ovih groupware alata kao što su Lotus Notes/Domino,
Microsoft NetMeeting, Groove i GroupSystems OnLine podržavaju širok spektar aktivnosti.
69 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 367. 70 groupware - računarske tehnologije i metode namijenjene za podršku ljudima koji rade u grupi. 71 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 369. 72 Ibid, p. 370.
75
2.3 Sistemi i tehnologije podrške grupnom odlučivanju
2.3.1 Metode i tehnike za formulisanje i rješavanje problema grupnog odlučivanja
Metode i tehnike za poboljšavanje procesa odlučivanja mogu da se podijele u dvije
grupe: grupa metoda i tehnika za poboljšavanje formulisanja problema odlučivanja i grupa
metoda i tehnika za poboljšavanje rješavanja problema odlučivanja.73 Poseban značaj za
sisteme podrške grupnom odlučivanju imaju tehnike generisanja ideja pomoću elektronskog
brainstorming-a (kreiranja ideja ili juriša mozgova), delfi metoda i tehnika nominalnih
grupa.74 S obzirom na to da su ovo tehnike koje imaju manuelni pristup grupnom odlučivanju
potrebna im je informaciona i komunikaciona tehnologija koje bi podržavale sastanke grupe
bez obzira na prostornu i vremensku dislociranost članova grupe.
2.3.1.1 Generisanje ideja pomoću elektronskog brainstorminga
Da bi se unaprijedila kreativnost pojedinca ili grupe prihvaćene su različite metode i
tehnike generisanja ideja. Jedna od najpopularnijih i najplodotvornijih tehnika za otkrivanje i
rješavanje problema i povoljnih prilika organizacije jeste metoda generisanja ideja od grupe
ljudi u kratkom vremenu poznata pod nazivom kreiranje ideja ili juriš mozgova
(brainstorming).75 Brainstorming je relativno stara tehnika, prisutna od tridesetih godina
prošloga vijeka. Danas se primjenjuje elektronski brainstorming ili softver za generisanje
ideja koji pomaže stimulisanje slobodnog protoka turbulentnog kreativnog mišljenja: ideja,
riječi, slika, pojmova i sl.76
U brainstorming-u kao "metodu generisanja velikog broja ideja od grupe ljudi u
kratkom vremenu"77 dominantna su tri ključna elementa: veliki broj ideja, grupa i kratko
vrijeme. "Dobro voñen brainstorming generiše stotine ideja koje mogu da budu briljantne,
sasvim neobične, luckaste i beskorisne. Sve ideje su prihvatljive, one koje smatramo
luckastim stvaraju dobru atmosferu i opuštenost, predrasude se eliminišu, smijeh je odličan
katalizator, tišina i inertnost vrlo brzo uništavaju sesiju brainstorminga."78 Meñutim, ovdje se
radi o brainstorming sesiji koja se odvija okupljanjem grupe na jednom mjestu. U uslovima
73 Balaban, N., Ristić, Ž. 1998. Sistemi podrške odlučivanja. Subotica: Ekonomski fakultet, str. 90. 74 Tehnika nominalnih grupa i delfi metoda su manuelni pristupi za podršku grupnom radu. Prema: Turban et al,
2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 374.
75 Balaban, N., Ristić, Ž. 1998. Sistemi podrške odlučivanja. Subotica: Ekonomski fakultet, str. 91. 76 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 396. 77 Balaban, N., Ristić, Ž. 1998. Sistemi podrške odlučivanja. Subotica: Ekonomski fakultet, str. 91. 78 Isto, str. 91.
76
elektronskog brainstorminga ili softvera za generisanje ideja okupljanje grupe na jednom
mjestu nije potrebno jer se mogu upotrebljavati različite komunikacione i informacione
tehnologije za virtualno okupljanje grupe čiji članovi mogu biti prostorno dislocirani i ne
moraju istovremeno učestvovati u sesiji. To omogućavaju različiti programi projektovani da
bi povećali stvaralaštvo procesom ljudskog mišljenja i koji se upotrebljavaju za kreiranje ideja
o novim proizvodima, marketing strategija, promocionih kampanja, naziva, naslova, slogana
ili pri ča upravo pomoću brainstorminga.
2.3.1.2 Delfi metoda
Delfi metoda, razvijena pedesetih godina prošloga vijeka, tek od nedavno ima veliku
primjenu u oblasti odlučivanja. Ova metoda ima više varijanti, a njena primjena u području
poslovnog odlučivanja, u grubim crtama, može se opisati na sljedeći način:79
1. Nakon jasnog definisanja i formulisanja problema odlučivanja formira se grupa
eksperata (poznavalaca problema) koji će učestvovati u njegovom rješavanju.
Grupa se nikada ne okuplja na jednom mjestu tako da se njeni članovi nikada ne
sreću licem u lice čime se, donekle, štedi vrijeme i novac potrebni za okupljanje
članova gupe na jednom mjestu.
2. Osnovni problem izlaže se pojedinačno svakom članu grupe.
3. Svaki član grupe anonimno i nezavisno od ostalih rješava postavljeni problem,
odgovara na postavljena pitanja i navodi obrazloženja za svoja rješenja i daje
sugestije, komentare i dr.
4. Odgovori, obrazloženja rješenja, sugestije i komentari svih članova grupe se
sreñuju, obrañuju i sumiraju.
5. Tako sreñeni i sumirani odgovori, obrazloženja, sugestije i komentari dostavljaju
se članovima grupe.
6. Svaki član grupe proučava i ocjenjuje rješenja, obrazloženja, sugestije i
komentare drugih eksperata i, ako je potrebno, pod uticajem tako dobijenih
informacija, revidira, preinačava svoja prvobitna rješenja, sugestije i
obrazloženja.
7. Revidirana rješenja, obrazloženja, sugestije i komentari ponovo se sreñuju,
obrañuju i sumiraju na jednom mjestu i dostavljaju članovima grupe.
79 Isto, str. 94.
77
Ovaj postupak ponavlja se dok se ne postigne konsenzus ili dok se ne pokaže da ni
jedan član grupe više ne mijenja svoja rješenja i sugestije.
U uslovima elektronskog poslovanja, razvijene informacione i komunikacione
tehnologije, hardvera i softvera ova metoda dobija na značaju naročito prilikom donošenja
kompleksnih poslovnih odluka.
2.3.1.3 Tehnika nominalnih grupa
Pojam nominalna grupa potiče iz područja istraživanja u socijalnoj psihologiji. Ovdje
se radi o grupama čiji članovi nemaju neposrednu meñusobnu verbalnu komunikaciju. Za
razliku od delfi metode, prilikom primjene ove tehnike, članovi grupe okupljaju se na jednom
mjestu. Meñutim, u ovom radu sugeriše seda se smatra da je član grupe "prisutan" ako je
prostorno dislociran a koristi se informacionom i komunikacionom tehnologijom da bi
direktno mogao da učestvuje u radu grupe.
Primjena tehnike nominalnih grupa u poslovnom odlučivanju odvija se u sljedećim
fazama:80
1. Nakon jasnog definisanja i formulisanja problema od članova grupe traži se da,
nezavisno jedan od drugog i ćutke smisle svoje rješenje problema. To se može
tražiti od članova grupe i prije okupljanja na jednom mjestu.
2. Članovi grupe na sastanku, jedan po jedan, izlažu svoje zamisli rješenja ostalim
članovima grupe pri čemu nije dopuštena nikakva rasprava. Ideje se bilježe na
tabli ili u računaru pri čemu su vidljive na ekranu.
3. Nakon izlaganja svih početnih zamisli grupa otpočinje raspravu o njima, traži
potrebna dodatna objašnjenja nekih zamisli i ocjenjuje te zamisli.
4. U završnoj fazi, svaki član grupe, ćutke i nezavisno jedan od drugog, procjenjuje
predložena rješenja problema, a grupna odluka se donosi na osnovu rezultata
dobijenog matematičkom obradom procjena vrijednosti različitih alternativnih
rješenja.
Primjenom informacione i komunikacione tehnologije, odgovarajućeg softvera i
simulacionih i optimizacionih metoda moguće je, na osnovu procijenjenih vrijednosti
različitih alternativnih rješenja, ponuditi i dodatna alternativna rješenja koja se uklapaju u
funkciju cilja, odnosno kriterijume odlučivanja. Pri ocjeni alternativnih rješenja može se
upotrebljavati razni statistički softver, kvantitativne metode i softver pomoću kojih se može
80 Isto, str. 95.
78
naći optimalno rješenje i izvršiti odgovarajuća testiranja. Pored toga, mogu se koristiti i
različite tehnike vještačke inteligencije i inteligentni sistemi, neuronske vještačke mreže,
genetski algoritmi i sl.
2.3.2 Računarske aplikacije za podršku grupnom odlučivanju
Najnovije vrste računarskih aplikacija za podršku odlučivanju jesu sistemi podrške
grupnom odlučivanju koji se projektuju da bi se pomoću njih obezbijedila računarska podrška
grupama ljudi koji zajedno učestvuju u procesu donošenja odluka. Članovi grupe mogu da
rade istovremeno ili u različito vrijeme u procesu odlučivanja, mogu da budu smješteni na
jednom ili više mjesta, a mogu pri tome da koriste različite programske alate za podršku
odlučivanju. U tabeli 2.1 prikazuje se primjer primjene odgovarajuće informacione
tehnologije u grupnom odlučivanju koje može da bude odvojeno u vremenu i prostoru.
Sistemi podrške grupnom odlučivanju karakteristični su po mogućnostima korišćenja
elektronskih poruka koje razmjenjuju članovi grupe, povezivanju računara u mrežu, pristupu
različitim podacima, opremi i zajedničkim ekranima koje vide svi članovi grupe, aktivnom
učešću u davanju ideja, stvaranju različitih modela i stabala odlučivanja i sl. Za ovakve
sisteme potreban je odgovarajući softver i to, prije svega, operativni sistem za upravljanje
lokalnom mrežom i poseban program, odnosno sistem za podršku grupnom odlučivanju.
Tabela 2.1 Grupno odlučivanje i vrste informacione podrške
Istovremeno Različita vremena
Isto mjesto PRIMJER: Prostorija za odlučivanje Potrebe: Sastanci licem u lice Lični ekrani Zajednički ekrani Mreže Kopirne table
PRIMJER: Timska prostorija Potrebe: Administracija, popunjavanje, filtriranje Lične radne stanice Kiosci Zajednički ekrani
Različita mjesta PRIMJER: Video konferencije Potrebe: Unakrsni daljinski sastanci Audio/video konferencije Podjela ekrana
PRIMJER: Kompjuterska konferencija Potrebe: Tekuća koordinacija Elektronska pošta Grupni razgovori, Grupno pisanje Grupni prenos zvuka
Izvor: (kombinovano i prilagoñeno) Sprague, R. H., jr., Watson, H. J. 1996. Decision Support for Management. N.J.: Prentice Hall, p. 333. Čerić , V. i sar. 1998. Poslovno računarstvo. Zagreb: Znak, str. 244.
79
Pri primjeni softvera i hardevera za podršku grupnom odlučivanju mogu da se koriste
sljedeći stilovi: dirigovani stil, stil podrške i interaktivni stil.81 Karakteristike pojedinih stilova
vidljive su u tabeli 2.2. U praksi većina sistema za podršku grupnom odlučivanju primjenjuje
dva ili sva tri stila.
Ako su donosioci odluka prostorno i vremenski dislocirani za grupno odlučivanje
mogu se upotrebljavati i konferencijske tehnologije koje će se razmatrati u podnaslovu
Internet - komunikacioni medijum i izvor znanja.
Tabela 2.2 Stilovi sistema za podršku grupnom odlučivanju
Dirigovani stil Stil podrške Interaktivni stil
Jedna osoba unosi zbirne informacije
Svi članovi grupe mogu da unose objašnjenja
Svi članovi grupe mogu da unose objašnjenja
Javni ekran obezbjeñuje grupnu memoriju
Javni ekran obezbjeñuje zajedničku memoriju
Pristup grupnoj memoriji preko radnih stanica
Dominiraju verbalne komunikacije
Verbalne i elektronske komunikacije
Dominiraju elektronske komunikacije
Izvor: Sprague, R. H., jr., Watson, H. J. 1996. Decision Support for Management. N.J.: Prent.Hall, p. 335.
Ograničenja u primjeni metoda i tehnika grupnog odlučivanja mogu da se eliminišu
ili ublaže primjenom informacione tehnologije za podršku sastanaka grupe i grupnog
odlučivanja na koje vremenska i prostorna dislociranost nema uticaja. Osnovna tehnologija
naziva se sistem za podršku grupe. Na početku devedesetih godina prošloga vijeka skovan je
termin group support system (GSS) da bi zamijenio termin sistemi za podršku grupnog
odlučivanja (GDSS) jer su istraživači prihvatili činjenicu da su računarske tehnologije za
saradnju bile više nego podrška donošenju odluka. 82
Alati GroupSystems podijeljeni su na standardne i napredne alate. Standardni alati
podržavaju grupne procese koji uključuju brainstorming, izradu pregleda, prikupljanje
informacija, glasanje, organizovanje, utvrñivanje prioriteta i postizanje konsenzusa.83
Napredni alati GroupSystems-a obuhvataju dodatke za analizu, ankete i modeliranje:
Alternative Analysis, Survey i Activity Modeler.
Sistemi za podršku rada u grupi predstavljaju svaku kombinaciju hardvera i softvera
koja unapreñuje grupni rad. GSS je generički termin koji uključuje sve oblike računarske
saradnje. GSS je evoluirao nakon što su istraživači informacione tehnologije prepoznali
81 Sprague, R. H., jr., Watson, H. J. 1996. Decision Support for Management. N.J.: Prentice Hall, p. 335 82 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 374. 83 Ibid, p. 381.
80
mogućnost da može da se razvije tehnologija koja bi mogla da podrži većinu aktivnosti koje
se obično javljaju pri direktnim susretima članova grupe Te aktivnosti su. generisanje ideja,
postizanje konsenzusa, anonimno rangiranje, glasanje itd. Većina tih sistema jednostavna je
za korišćenje jer ima Windows grafički korisnički interfejs ili interfejs za pretraživanje mreže.
Mnogi GSS su prilično uopšteni i omogućavaju podršku za aktivnosti kao što su generisanje
ideja, rješavanje konflikata i glasanje.84
U jednom od prethodnih poglavlja navedeni su neki groupware alati. Ovdje se
navode neke karakteristike dva takva usko povezana sistema: GroupSystems Meetingroom i
OnLine. GroupSystems MeetingRoom i OnLine su višenamjenski groupware alati koji
podržavaju širok spektar grupne obrade. MeetingRoom je verzija za lokalnu mrežu (LAN) dok
je OnLine verzija koja omogućava povezivanje na Internet. Oba sistema sadrže isti skup alata
i mogućnosti. Pregled alata, aktivnosti i njihovih meñusobnih veza prikazan je na slici 2.1.
Slikа 2.1 Alati grupnog sistema podrške odlučivanju
Izvor: (prilagoñeno) Turban, E. et. al. 2005. Decision Support Systems and
Intelligent Systems. N. J.: Pearson Prentice Hall, p. 381 i Laudon, K., C., Laudon, J., P. 2002. Management Information Systems. N.J.: Prentice- Hall, Inc., Upper Saddle River, p. 418.
84 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 374.
81
2.4 Informacioni sistemi u preduzeću U ovom dijelu rada pažnja je usmjerena na osnovna pitanja vezana za informacioni
sistem u preduzeću i njegovu ulogu u poslovnom odlučivanju. Ovdje se informacioni sistemi
tretiraju kao sistemi podrške poslovnom odlučivanju bilo da se radi o podršci pojedinačnim
donosiocima odluka bilo da se radi o grupnom odlučivanju.
Sistemi podrške mogu da optimiziraju svoju efektivnost i efikasnost ako raspolažu
jednostavnim pristupom za sve korisnike, posebno za donosioce poslovnih odluka. Web portal
tehnologije koriste se Internetom, intranetom i ekstranetom i pojavljuju se kao efikasan način
pružanja širokog spektra informacija brzo i efektivno podržavanjem individualnih donosilaca
odluka koji donose posebne odluke i proces saradnje izmeñu pojedinaca koji su prostorno
udaljeni u slučaju grupnog donošenja odluka. Informacioni sistemi u preduzeću podržavaju
taktičko i strateško odlučivanje na svim nivoima preduzeća. U većini preduzeća različite
odluke donosi svakodnevno srednji i najviši nivo menadžmenta, marketing analitičari i drugi
zaposleni sa više lokacija, koji se često nalaze i u različitim zemljama. Osamdesetih i
devedesetih godina prošloga vijeka sistemi koji su služili potrebama najviših izvršilaca bili su
projektovani kao nezavisni sistemi i nazivani su executive information systems (EIS). Ovaj
pristup činio je takve sisteme pogodnim većinom za velike korporacije. Danas su izvršni
menadžeri podržani sistemima koji podržavaju i druge zaposlene. Takvi informacioni sistemi
su enterprise information systems (EIS) – informacioni sistemi preduzeća85, evoluirali su od
executive information systems, imaju isti engleski akronim EIS i predstavljaju sistem za
izvršno upravljanje, odnosno informacioni sistem za izvršne menadžere.
2.4.1 Vrste informacionih sistema u preduzeću
Podjela informacionih sistema na različite vrste može se izvršiti sa nekoliko
aspekata. Ako se sistemi posmatraju s aspekta različitih organizacionih nivoa i funkcionalnih
područja kojima služe mogu se navesti četiri glavne vrste informacionih sistema:
(1) informacioni sistemi operativnog nivoa, (2) informacioni sistemi na nivou znanja, (3)
informacioni sistemi na nivou upravljanja i (4) informacioni sistemi na strateškom nivou
(slika 2.2).86
85 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p.410. 86 Laudon, K. C., Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice- Hall, Inc., Upper Saddle
River, p.39.
82
Sistemi operativnog nivoa podržavaju operativne menadžere praćenjem elementarnih
aktivnosti i transakcija preduzeća, kao što su prodaja, prihodi, gotovinski depoziti, platni
spiskovi, odluke o kreditu i kretanje materijala u proizvodnji. Glavna namjena sistema na
ovom nivou jeste odgovor na rutinska pitanja i praćenje toka transakcija u preduzeću.
Sistemi na nivou znanja podržavaju znanje preduzeća i službenike na obradi
podataka. Namjena ovih sistema da pomažu poslovnim firmama da integrišu novo znanje u
poslovanje i da pomažu kontrolu kretanja papirne dokumenatcije. Sistemi nivoa znanja,
posebno u formi radnih stanica i kancelarijskih sistema, pripadaju sistemima koji su u najširoj
primjeni u današnjem poslovanju.
Sistemi na nivou menadžmenta služe za nadgledanje, kontrolu, donošenje odluka i
administrativne aktivnosti menadžera srednjeg nivoa. Sistemi ovog nivoa obično obezbjeñuju
periodične izvještaje umjesto trenutnih informacija o funkcionisanju preduzeća. Ovdje treba
naglasiti da neki sistemi ovog nivoa podržavaju nerutinsko donošenje odluka i imaju
tendenciju fokusiranja na manje strukturirane odluke za koje informacioni zahtjevi nisu uvijek
jasni. Ovi sistemi često odgovaraju na pitanja tipa "šta ako" čiji odgovori zahtijevaju nove
podatke izvan preduzeća kao i podatke iz preduzeća koje jednostavno ne mogu da pruže
postojeći sistemi operativnog nivoa.
Slika 2.2 Vrste informacionih sistema
Izvor: (prilagoñeno) Laudon, K., C., Laudon, J., P. 2002. Management Information Systems.
N.J.: Prentice-Hall, Inc., Upper Saddle River, p. 39.
VRSTA INFORMACIONOG SISTEMA
GRUPE KOJE OPSLUŽUJE
Strateški nivo
Nivo upravljanja
Nivo znanja
Operativni nivo
FUNKCIONALNA PODRUČJA
Viši menadžeri
Srednji menadžeri
Službenici znanja i podataka
Operativni menadžeri
Prodaja i marketing
Proizvodnja
Finansije
Računovodstvo
Ljudski potencijali
83
Sistemi strateškog nivoa pomažu višem menadžmentu da prihvati i usmjeri strateška
pitanja dugoročnim trendovima u preduzeću i eksternom okruženju, a osnovna namjena je
uporeñuju promjene u eksternom okruženju i postojeće mogućnosti preduzeća.
Informacioni sistemi servisiraju i odgovarajuće poslovne funkcije u preduzeću kao
što su prodaja i marketing, proizvodnja, finansije, računovodstvo i ljudski resursi (slika 2.2).
Organizacije za svako funkcionalno područje, obično, imaju sisteme (ili podsisteme)
operativnog nivoa, upravljačkog nivoa, nivoa znanja i strateškog nivoa.
U organizacionom smislu poslovni sistemi imaju više modela informacionih sistema
koji korespondiraju sa svakim organizacionim nivoom. U tabeli 2.3 navedeno je šest vrsta
sistema koji su povezani sa različitim nivoima upravljanja.87
Termini sistemi za izvršne menadžere (EIS) i sistemi za podršku izvršnim
menadžerima (ESS) predstavljaju različite pojmove za različite korisnike, made se često
koriste kao sinonimi.88 Meñutim, postoji razliku izmeñu ova dva pojma.
Tabela 2.3 Modeli informacionih sistema sa stanovišta organizacione i poslovne podrške
VRSTA SISTEMA Sistemi na strateškom nivou
Sistemi podrške izvršnim
menadžerima (ESS) Trend petogodišnjeg predviñanja prodaje
Petogodišnji plan proizvodnje
Petogodišnji plan budžeta
Planiranje profita
Planiranje ljudskih resursa
Sistemi na upravljačkom nivou Upravlja čki (menadžment) informacioni sistemi (MIS)
Prodajni menadžment
Kontrola zaliha
Godišnje budžetiranje
Analiza kapitalnih investicija
Analiza premeještanja
Sistemi podrške odlučivanju (DSS)
Analiza prodaje po regionima
Planiranje proizvodnje
Analiza troškova Analiza cijena i profita
Analiza troškova rada
Sistemi na nivou znanja
Sistemi za obradu znanja (KWS)
Poslovi inženjeringa
Grafički poslovi
Poslovi uprave
Kancelarijski sistemi (Office Systems)
Obrada teksta
Kreiranje dokumenata
Elektronski kalendari
Sistemi operativnog nivoa Praćenje narudžbi
Kontrola mašina Razmještaj pogona
Trgovanje hartijama od vrijednosti
Platne liste Plaćanje računa Primanje računa
Nagrañivanje Obuka i razvoj
Sistemi za obradu transakcija (TPS)
Obrada narudžbi
Kontrola kretanja materijala
Upravljanje gotovinom
Evidencija zaposlenih
Prodaja i marketing
Proizvodnja Finansije Računovodstvo Ljudski resursi
Izvor: Laudon, K., C., Laudon, J., P. 2002. Management Information Systems. N.J.: Prentice-Hall, Inc., Upper Saddle River, p. 40.
87 Laudon, K. C., Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice- Hall, Inc., Upper Saddle
River, p. 40. 88 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, pp.
413-415.
84
Informacioni sistem za izvršne menadžere (EIS) ispunjava informacione zahtjeve
vrhovnih izvršnih menadžera tako što obezbjeñuje brz pristup aktuelnim informacijama i
direktan pristup izvještajima menadžmenta. EIS je vrlo prihvatljiv za korisnika, podržan je
grafikom i omogućava izvještavanje o odstupanjima i sposobnosti prodiranja u srž problema
(drill-down). Povezan je sa Internetom, intranetom i ekstranetom.89
Sistem za podršku izvršnim menadžerima (ESS). Ovim sistemom koriste se viši
menadžeri pri donošenju odluka na strateškom nivou organizacije. Usmjeren je na nerutinske
odluke koje zahtijevaju rasuñivanje, evaluaciju i oštroumnost jer ne postoji usaglašena
procedura za pronalaženje rješenja. ESS je više usmjeren na kreiranje zajedničkog
računarskog i komunikacionog okruženja nego na obezbjeñivanje bilo kakve fiksne aplikacije
ili odreñene mogućnosti. ESS se projektuju da bi objedinjavali podatke o eksternim
dogañajima kao što su novi poreski zakoni ili konkurenti, ali oni takoñe izvlače agregirane
informacije iz internih menadžment informacionih sistema i sistema podrške odlučivanju.90
ESS je sveobuhvatan sistem koji je širi od EIS i uključuje komunikacije, automatizaciju
kancelarijskog poslovanja, analitičku podršku i poslovnu inteligenciju.91
2.4.2 Informacioni sistem za strateško odlučivanje
Informacioni sistem za strateško odlučivanje obezbjeñuje menadžerske ili
informacije za akciju koje se znatno razlikuju od klasičnog shvatanja pojmova podataka i
informacija. "Menadžerska informacija je informacija koja ima implikaciju na akciju.
Menadžerska informacija mora biti pouzdana, relevantna za odgovarajuću odluku i
raspoloživa u trenutku donošenja odluke."92
Informacioni sistem za strateško odlučivanje ili sistem za izvršno upravljanje,
odnosno informacioni sistem za izvršne menadžere (Executive Information System, EIS) je
vrsta sistema za podršku odlučivanju koji omogućava ad hoc analize praćenjem i
prikupljanjem internih i eksternih informacija potrebnih za izvršne menadžere. EIS obuhvata
različite aplikacije koje izvršnim menadžerima i drugim donosiocima odluka mogu da
obezbijede različite informacije i analitičke mogućnosti. Sličnu ulogu ima i sistem za podršku
izvršnih menadžera koji, pored obezbjeñivanja informacija, pruža i druge mogućnosti podrške
89 Ibid, p. 414. 90 Laudon, K. C., Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice- Hall, Inc., Upper Saddle
River, p. 45. 91 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 414. 92 Todorović, J., ðuričin, D., Janošević, S. 1997. Strategijski menadžment. Beograd: Institut za istraživanje
tržišta, str. 131.
85
izvršnim menadžerima. Paller, A. u radu "Executive Information Systems, definicije i vodič",
opisuje EIS kao modernu pilotsku kabinu. "Moderna pilotska kabina je pravi model EIS.
Ključni indikatori se posmatraju neprekidno da bi se na vrijeme preduzele korektivne
akcije."93 EIS ima sličnu hijerarhiju. To je strukturirani sistem izvještavanja koji filtrira,
izdvaja, sažima široko područje tekućih i istorijskih informacija koje mogu da budu interne i
eksterne. Taj sistem mora da ima mogućnost predstavljanja objektivne i subjektivne
informacije u formatu pogodnom za odlučivanje kao što su razne relacije podataka umjesto
sirovih činjenica. EIS pomaže u razumijevanju problema tako što problem dijeli na njegove
sastavne komponente. EIS pomaže i u utvrñivanju snaga i slabosti preduzeća kao i povoljnih
prilika i prijetnji iz okruženja, a sve to treba da omogući bolje razumijevanje cjelokupnog
uticaja raspoloživih akcija na preduzeće i unapreñivanje poslovnog odlučivanja.
Za donošenje strateških odluka potrebni su podaci koji su bogatiji po sadržaju i često
su iz grupe tzv. soft informacija dobijenih na bazi stručne procjene i drill-down94 metode čiji
je zadatak da se doñe do srži problema. Pored toga EIS se koristi podacima i informacijama
koji se nalaze na Internetu, u velikim bazama podataka kao i podacima, informacijama i
znanjem od posebnog informacionog sistema koji se koristi mrežom – Internetom i koji se
naziva mrežni informacioni sistem (WIS).
Da bi se obradila ogromna količina podataka, dobijenih prije svega iz eksternih
izvora preko Interneta i elektronske razmjene podataka, neophodni su odgovarajući programi
koji selektuju, filtriraju, indeksiraju i klasifikuju takve podatke. Filtriranje podataka ključna je
uloga EIS kako bi se donosioci poslovnih odluka snabdjeli pravim informacijama, jer suviše
informacija može da dovede do slabljenja performansi u donošenju odluka.
EIS treba da omoguće da ih izvršni menadžeri koriste direktno i jedostavno bez
naročite pripreme za njihovo korišćenje, da slikovito prikazuju informacije u tabelarnom ili
grafičkom obliku iz različitih izvora koje menadžeri mogu da kombinuju, da mogu da
odabiru, filtriraju i prate informacije o kritičnim faktorima uspjeha i ključnim indikatorima, da
imaju mogućnost stvaranja različitih izvještaja o stanju, analizi i ispitivanju detaljnih uzroka
pojava, kao i mogućnost iscrpne analize podataka primanjem i slanjem elektronskih poruka.
93 Preuzeto od: Hoven, J. 1996 (March-April). "Executive Support Systems & Decision Making". Journal of
Systems Management. Vol.v47. No. 2, p48(8). 94 drill-down - detaljno istraživanje informacija: npr. utvrñivanje ne samo ukupne prodaje, već i prodaje po
regionu, proizvodu ili prodajnom osoblju (Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 852. (Glossary)); vještina spuštanja od sažetih podataka ka sve nižem i nižem elementarnom nivou (Laudon, K. C., Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice- Hall, Inc., Upper Saddle River, p. 420.)
86
Izdvajanje ključnih podataka iz velike količine poruka sa Interneta ili elektronske
razmjene podataka, pored programa, zahtijeva i modele za obradu podataka i generisanje
adekvatnih informacija za donošenje poslovnih odluka. EIS, pored toga, mora da omogući
izgradnju i korišćenje modela kompletnog poslovanja preduzeća kao poslovnog sistema.
U poslovanju e-firme posebnu ulogu i značaj ima EIS u takvoj firmi:
"E-firme će morati da se bore sa konkurencijom ne samo obaranjem cena, već fokusiranjem
na profitabilne grupe klijenata, diferencijaciju ponude proizvoda i usluga… Pri tome bi EIS
trebalo da obavi klasifikaciju kupaca po njihovim željama, navikama, nivou potrošnje. Ako
kupac samo "pogleda" nekoliko cena ili karakteristika proizvoda, EIS bi trebalo da ga svrsta u
odreñenu grupu i "vodi" po web lokaciji da ga zadrži, a u isto vreme i da dograñuje bazu
podataka prodavca. Menadžer nema vremena da se bavi prikupljanjem podataka. Posebno je
nedopustivo skupo propustiti podatke i ne pretočiti ih u upravljačke informacije koje se dalje
koriste u modelima odlučivanja."95
EIS pomaže izvršnom menadžeru u donošenju odluke ali i u posmatranju i
kontrolisanju implementacije odabrane odluke. EIS zatvara ciklus povratne sprege izmeñu
izvršnih menadžera koji odobravaju soluciju i onih menadžera koji su zaduženi za njenu
implementaciju korišćenjem grafičkih dijagrama za praćenje napredovanja poreñenjem sa
planom implementacije i stvarnih troškova implementacije sa planiranim troškovima.
Za razvoj informacionih sistema za podršku strateškom menadžmentu na tržištu
postoji više programskih aplikacija. Neki od tih programa su: Commander Center firme
Cognizant Corporation i Commander EIS firme Comshare. Commander Center je prvi
komercijalni EIS koji se koristio tehnikom hiperteksta. Ovaj program evoluirao je u Pilot
Decision Support Site, programsko okruženje za EIS koji uključuje i online analitičku obradu
(OLAP). Program Commander EIS namijenjen je menadžerima koji nisu vješti u radu sa
računarom, a sve komande mogu se ostvariti pomoću miša ili ekrana osjetljivog na dodir.96
Bilo bi idealno da svi u preduzeću u realnom vremenu imaju pristup informacijama i
znanju neophodnim za donošenje odluka. U Ciscu cijela korporacija je u kretanju ka realnom
vremenu, jer je teško da se raspolaže aplikacijama koje stoje u paketu ako se arhitektura
informacionog sistema zasniva na porukama. Menadžeri prodajnog odjeljenja koriste se
kontrolnom tablom (dashboard) koja se zasniva na Web-u ili informacionim portalom 95 Crnković, J. 1999. "Elementi izgradnje informacionog sistema za strateško odlučivanje u e-biznisu".
Monografija: Strategija transformacije velikih preduzeća u uslovima globalizacije. Beograd: Ekonomski fakultet, str. 39.
96 Čerić, V, Varga, M., Birolla, H. 1998. Poslovno računarstvo. Zagreb: Znak, str. 166.
87
preduzeća koji se zasniva na grafičkom korisničkom interfejsu i kojeg je razvio OneChannel
Inc. (Mountain View, California). Kontrolna tabla pruža pregled aktivnosti u realnom
vremenu. Slično kao što se crveno svjetlo pojavi na instrument tabli u automobilu kada se
pojavi problem, softver aktivira upozorenje kada poslovni uslovi nisu u skladu sa unaprijed
postavljenim ulazom, šalje poruku ili upozorenje na korisničku tablu. Menadžeri kanala
distribucije mogu da dobiju detaljne informacije pomoću upita preko OneChannel kontrolne
table da bi pronašli osnovne razloge bilo kojeg problema.97
2.5 Prostorni (geografski) sistemi podrške odlučivanju Geografski informacioni sistem (GIS) ili prostorni sistem podrške odlučivanju
(SDSS) je računarski sistem koji prikuplja, memoriše, provjerava, integriše, upravlja i
prikazuje podatke uz pomoć digitalizovanih mapa.98 Njegove prepoznatljive karakteristike
jesu da svaki slog ili digitalni objekat ima identifikovanu geografsku lokaciju. Integrisanjem
mapa sa prostorno orijentisanim bazama podataka koje se nazivaju geocoding i drugih baza
podataka, korisnici mogu da generišu informacije za planiranje, rješavanje problema i
donošenje odluka i na taj način povećaju njihovu produktivnost i kvalitet njihovih odluka kao
što to čini većina banaka i trgovačkih kuća na malo.
Slika 2.3 Model GIS-a za podršku odlučivanju
Izvor: (prilagoñeno) Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht: Kluwer Academic Publish. Group, p. 211.
97 Hall, M. 2002 (April). "Web Analytics Get Real." Computer World, Vol. 36. No. 14, pp. 42-43. 98 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 287.
E k stern i i in tern i p o d a ci
O p isn i p o d a c i
O b jek tn i p o d a c i
P ro sto rn i p o d a c i
U p rav ljan je p o d ac im a
O p isn i p o d a ci P ro sto rn i p o d ac i
U p ra v lja n je m o d elim a
N ep rostorn i m od e li P ro sto rn i m o d e li
U p ra vlja n je zn a n je m
U p ra vljan je d ija lo g o m U p iti i iz vješta ji za sn o v a n i n a o p isn im p o d acim a
U p iti i iz v ješta ji z asn o va n i n a p ro sto rn im p o d a cim a
D o n o silac o d lu k e O sta li
in fo rm a cio n i s iste m i
88
Namjena geografskih informacionih sistema povezana je sa podrškom analizi
podataka i donošenjem odluka99, slika 2.3.
Prostorni podaci postali su vrlo bitni za mnoge organizacije. Oni su nova osnova
pomoću koje se upravlja infrastrukturom. GIS alati i izvori podataka postaju sve više
sofisticiraniji i sposobniji, oni pomažu većini kompanija i vlada da shvate gdje se tačno nalaze
sredstva, radnici i drugi resursi, kako bi najbolje služili potrošaču i pronašli najkraći i najbolji
put do potrošača.
Mogućnosti geografskih informacionih sistema: memorisanje, analiza i upravljanje
prostornim informacijama pokrivaju potrebe za prostornim informacijama neophodnim za
proces donošenja odluka.100 Na osnovu toga izvlače se zaključci da su mogućnosti
geografskih informacionih sistema inkorporirane u sisteme podrške odlučivanju, a takve
sisteme možemo da nazovemo prostorni sistemi podrške odlučivanju. Prostorni sistemi
podrške odlučivanju projektovani su da bi podržali proces odlučivanja pri složenim
prostornim problemima i sastavljeni su kombinacijom i kooperacijom geografskih
informacionih sistema i sistema podrške odlučivanju.101 Ovakvi sistemi obično obezbjeñuju
okvir za integraciju baza podataka menadžment sistema, analitičkih modela, mogućnosti
grafičke prezentacije i posebno znanje donosilaca odluka.
2.6 Upravljanje znanjem u sistemima podrške odlučivanju Pojava informacione ekonomije i digitalnih preduzeća stavila je obradu i distribuciju
informacija i znanja u glavne izvore bogatstva i prosperiteta preduzeća i uvećala njihovo
oslanjanje na digitalnu tehnologiju kako bi se omogućio poslovni proces. Više od jedne
polovine (55%) američke radne snage sastoji se od zaposlenih čiji su poslovi vezani za znanje
i informacije, a 60% bruto nacionalnog proizvoda SAD dolazi od informacionog sektora i
sektora znanja, kao što su finansije i izdavaštvo.102
99 Mennecke, B. 1997. Understanding the Role of Geographic Information Technology in Bussines: Applications
and Research Directions. Journal of Geographic Information and Decision Analysis. Vol. 1, No. 1, pp. 44-68.
100 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht: Kluwer Academic Publishers Group, pp. 206-207.
101 Densham, P. et al. 1995. Scientific Report for the Initiative, 17th Specialist Meeting. Orono, Maine: National Center for Geographic Information and Analysis. Navedeno prema Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht: Kluwer Academic Publishers Group, p. 207.
102 Laudon, K. C., Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice- Hall, Inc., Upper Saddle River, p. 372.
89
2.6.1 Znanje
Posljednjih nekoliko decenija industrijalizovana ekonomija kretala se kroz
transformaciju od ekonomije koja se zasniva na prirodnim resursima do ekonomije bazirane
na intelektualnoj imovini, odnosno intelektualnim vrijednostima. Dakle, ekonomija koja se
zasniva na znanju predstavlja realnost. Ne može se upravljati brzim promjenama u poslovnom
okruženju na tradicionalan način. Poslovni sistemi su mnogo veći, a u nekim područjima
zaokreti su ekstremno visoki, pa zahtijevaju bolje alate za saradnju, komunikaciju i
distribuciju znanja. Organizacije moraju da razvijaju strategije da postignu konkurentsku
prednost jačanjem svoje intelektualne imovine za optimalne performanse. Da bi se
konkurisalo u globalnoj ekonomiji i tržištima potreban je brz odgovor na potrebe potrošača.103
Intelektualni kapital104, termin koji se često upotrebljavao kao sinonim za znanje,
ukazuje na činjenicu da znanje ima finansijsku vrijednost mada znanje kao intelektualni
kapital izražen u novčanoj vrijednosti teško može da se mjeri, ali neke organizacije
pokušavaju da izmjere vrijednost znanja kao kapitala.
Često se termini podaci, činjenice i informacije upotrebljavaju kao sinonimi za
znanje. Odnos znanja prema ovim kategorijama predstavljen je na slici 2.4.
Prema hijerarhiji znanja (slika 2.4) uloga sistema zasnovanih na znanju je da:105
1. izvlače zaključke na osnovu podataka i informacija,
2. izdvoje podatke iz neureñenih šumova,
3. transformišu podatke u informacije i
4. transformišu informacije u znanje.
Pojmove prećutno i eksplicitno znanje prvi je uveo Polanyi M.106 Eksplicitno znanje
odnosi se više na objektivno, racionalno i tehničko znanje kao što su podaci, politike,
procedure, softver, dokumenti. Prećutno znanje obično je u domenu subjektivnog, saznajnog i
iskustvenog učenja: ono je u velikoj mjeri lično i teško ga je formalizovati. Za donosioca
odluka veoma je važno da se prilikom donošenja poslovnih odluka koristi i ovim znanjem.
U tom smislu ekspertni sistemi i sistemi zasnovani na znanju iz baza znanja mogu da
pomognu donosiocu odluka u upravljanju znanjem.
103 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N. J.: Pearson Prentice Hall, p. 492. 104 Ibid, p. 492. 105 Soldić-Aleksić, J. 2001. Inteligentni sistemi za poslovno odlučivanje. Beograd: Ekonomski fakultet, str. 69-70. 106 Polanyi, M. 1958. Personal Knowledge. Chicago: University of Chicago Press. Navedeno iz: Turban, E. et al.
2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 492.
90
Slika 2.4 Hijerarhija znanja
Izvor: (prilagoñeno) Giarratano, J. Riley, G. 1994. Expert Systems - Principles
and Programming. Boston: PWS Publishing Company, p. 65.
Prilikom odlučivanja donosilac poslovne odluke mora se oslanjati na znanje kao
kvalitetniji i strukturiraniji pojam od informacija. Znanje postaje strateški resurs pri rješavanju
problema i donošenju poslovnih odluka naročito ako se radi o tzv. nestrukturiranim
problemima poslovnog odlučivanja. U uslovima postojanja takvih problema informacije malo
mogu da pomognu. U tom slučaju oslanja se na znanje iz okruženja ili internih resursa
preduzeća u vidu baza znanja. Znanje je potrebno da bi se prilikom donošenja odluka moglo
kvalitetno i potpuno koristiti informacijama. Znanje predstavljaju i različite procedure, pravila
i postupci koji omogućavaju racionalnu upotrebu informacija u procesu poslovnog
odlučivanja. Pri donošenju odluke može se koristiti dodatna količina i dodatni kvalitet
informacija i znanja ako to dozvoljavaju dva najvažnija ograničavajuća faktora: vrijeme i
troškovi. Odlučivanju može da se pristupi tek kada se ocijeni da više informacija i znanja nije
potrebno ili kada se procijeni da je vrijednost dodatnih informacija i znanja, u poreñenju s
troškovima za njihovo obezbjeñivanje, neznatna. Da bi se odgovorilo na pitanje da li da se
pribavi dodatna količina i dodatni kvalitet informacija i znanja može se primijeniti kriterijum
odlučivanja koji uzima u obzir očekivanu vrijednost dobiti izborom odreñene alternative. Pri
tome se uporeñuje očekivana vrijednost dobiti koja se ostvaruje izborom odreñene alternative
(donošenjem odluke) bez dodatnih informacija i znanja s očekivanom vrijednošću dobiti koja
se ostvaruje uz dodatne informacije i znanje i dodatne troškove za njihovo pribavljanje.
U informacionoj ekonomiji znanje ima ključnu ulogu u konkurentskoj prednosti
organizacije. Proizvodnja unikatnih proizvoda ili usluga ili njihova proizvodnja sa manjim
91
troškovima od konkurencije zasniva se na superiornom poznavanju proizvodnih procesa i
superiornom dizajniranju proizvoda i usluga. Poznavanje načina da se stvari rade efikasno i
efektivno i koji druge organizacije ne mogu da oponašaju jeste primarni izvor profita i faktor
u proizvodnji koji se ne može nabaviti na eksternim tržištima. Neki teoretičari menadžmenta
vjeruju da je znanje imovina koja je jednako važna za konkurentsku prednost i opstanak ako
ne i važnija od materijalne i finansijske imovine.
Slično pojedincima organizacije kreiraju i prikupljaju znanje pomoću različitih vrsta
mehanizama organizacionog učenja. Pomoću proba i grešaka, pažljivog mjerenja planiranih
aktivnosti i povratne sprege (reakcije) od kupaca i okruženja uopšte, organizacije kreiraju
nove standardne radne procedure i poslovne procese koji se odražavaju na njihovo iskustvo.
Dokazano je da će organizacije koje mogu da osjete i brzo odgovore njihovom okruženju
opstati duže od organizacija koje imaju loše mehanizme učenja.
Upravljanje znanjem povećava sposobnost preduzeća da uči od svoga okruženja i da
inkorporira znanje u svoje poslovne procese. Upravljanje znanjem odnosi se na skup procesa
koji su razvijeni u preduzeću za kreiranje, prikupljanje, memorisanje, održavanje i
distribuiranje znanja firme. Kao izvršilac poslovnih procesa usmjeren na kreiranje,
memorisanje, održavanje i distribuiranje znanja informaciona tehnologija igra važnu ulogu u
upravljanju znanjem.
2.6.2 Sistemi i infrastruktura za upravljanje znanjem
Istorijski posmatrano menadžment informacioni sistemi fokusirali su se na
prikupljanje, memorisanje, upravljanje i sastavljanje izvještaja o eksplicitnom znanju.
Preduzeća sada prepoznaju potrebu integrisnanja obje vrste znanja u formalni informacioni
sistem. Upravljanje znanjem je sistematsko i aktivno upravljanje idejama, informacijama i
znanjem koje posjeduju zaposleni u organizaciji. Vijekovima je relacija mentor � pripravnik,
zbog njene iskustvene prirode, bila spor ali pouzdan način prenosa prećutnog znanja od
pojedinca do pojedinca. Kada zaposleni napuštaju organizaciju, oni nose svoje znanje sa
sobom. Važan cilj upravljanja znanjem je da se sačuva dragocjeni know-how koji može tako
jednostavno i brzo da napusti organizaciju. Sistemi za upravljanje znanjem (KMS) koriste se
modernim informacionim tehnologijama: Internetom, intranetom, ekstranetom, inteligentnim
agentima, skladištima podataka i sl. Na slici 2.5 prikazani su informacioni sistemi i
infrastruktura informacione tehnologije za podršku upravljanjem znanjem. Kancelarijski
sistemi pomažu distribuciju znanja i koordiniraju tok informacija u organizacijama. Sistemi za
92
obradu znanja podržavaju aktivnosti visokokvalifikovanih radnika znanja i profesionalaca
kada oni stvaraju novo znanje i nastoje da ga integrišu u organizaciju. Sistemi za saradnju i
podršku grupe podržavaju kreiranje i razmjenu znanja izmeñu članova grupe.
Slika 2.5 Informacioni sistemi i informacione tehnologije za upravljanje znanjem
Izvor: Laudon, K., C., Laudon, J., P. 2002. Management Information Systems. N.J.: Prentice- Hall, Inc.,
Upper Saddle River, p. 374.
Sistemi vještačke inteligencije prikupljaju novo znanje i obezbjeñuju organizacijama
i menadžerima kodirano znanje kojim ponovo mogu da se koriste ostali zaposleni u
organizaciji. Ovakvi sistemi zahtijevaju informacionu tehnologiju koja omogućava obimno
korišćenje snažnih procesora, mreža, baza podataka, softvera i Internet alata.
93
3 INTELIGENTNI SISTEMI PODRŠKE ZASNOVANI NA ZNANJU IZ B АZА ZNАNJА
3.1 Vјeštačka inteligencija U većini situacija odlučivanja podrška koju omogućavaju podaci, modeli i sistemi
upravljanja modelima nije dovoljna. Dodatnu podršku može da obezbijedi ekspertni sistem
koji imitiranjem ekspertize čovjeka omogućava sticanje potrebnog znanja. Meñutim, za
podršku odlučivanju koje zahtijeva ekspertizu može da se primijeni nekoliko drugih
inteligentnih tehnologija. Sve takve tehnologije koje se koriste znanjem, umjesto
matematičkim modelima, da bi obezbijedile neophodnu podršku, pripadaju sistemima koji se
zasnivaju na znanju. Osnovna tehnologija koja pripada tim aplikacijama jeste vještačka
inteligencija.107
Prilikom razmatranja pojma inteligentni sistem i njegove primjene u procesu
donošenja odluke važno je navesti činjenicu da je već više od dvije decenije donosiocu odluka
na raspolaganju širok spektar aplikacija, tehnika i metoda od kojih su neke obogaćene
inteligentnim mogućnostima i inteligentnim sistemima. Inteligentni računarski sistemi
pripadaju vrsti računarskih sistema koji imaju sposobnost da otkrivaju nevidljive veze i oblike
podataka koji mogu uspješno da se primijene prilikom donošenja poslovnih odluka.
U toku projektovanja i izgradnje inteligentnih računarskih sistema simulira se i
oponaša ljudska inteligencija. Različiti sistemi koriste se različitim načinom imitiranja
inteligencije čovjeka. U ekspertnim sistemima to se ostvaruje kodiranjem znanja u bazi znanja
i stvaranjem kontrolnog mehanizma rezonovanja koji vodi proces zaključivanja, odnosno
rezonovanja. U vještačkim neuronskim mrežama inspiracija je potekla od funkcionisanja
ljudskog mozga, a u genetskom algoritmu ideja potiče od mehanizma biološke evolucije po
Darvinovoj teoriji prirodne selekcije i opstanka bioloških vrsta.108
Većina eksperata iz ove oblasti slaže se s činjenicom da se vještačka inteligencija
odnosi na dvije osnovne ideje. Prva ideja je da vještačka inteligencija obuhvata proučavanje
procesa ljudskog mišljenja, odnosno razumijevanje pojma vještačke inteligencije, a druga se
odnosi na predstavljanje i izvršavanje toga procesa pomoću mašine: kompjutera ili robota.
107 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Pren. Hall, p. 540. 108 Soldić-Aleksić, J. 2001. Inteligentni sistemi za poslovno odlučivanje. Beograd: Ekonomski fakultet, str. 8.
94
3.1.1 Karakteristike vještačke inteligencije
Da bi se shvatila vještačka inteligencija potrebno je navesti karakteristike
inteligencije čovjeka:109
� učenje i razumijevanje na osnovu iskustva,
� traženje smisla u dvosmislenim i kontradiktornim porukama,
� brzo i uspješno reagovanje na novu situaciju,
� korišćenje rezonovanjem u rješavanju problema i neposredno upravljanje
efektivnošću,
� suočavanje sa zamršenim situacijama,
� razumijevanje i izvoñenje dokaza na jednostavan i racionalan način,
� primjena znanja za upravljanje okruženjem,
� razmišljanje i rezonovanje,
� prepoznavanje relativne važnosti različitih elemenata u situaciji.
Učinjeni su veliki teorijski i praktični napori da se karakteristike prirodne
inteligencije čovjeka ugrade i iskoriste u informacionim sistemima, posebno u sistemima
podrške odlučivanju. Takvi napori rezultirali su stavaranjem inteligentnih sistema i metoda
koji se zasnivaju na neuronskim mrežama, fuzzy logici i genetskom algoritmu.
Karakteristike vještačke inteligencije su:110 simboličko procesiranje, heuristika,
zaključivanje i mašinsko učenje.
Simboličko procesiranje. Ovo je bitna karakteristika vještačke inteligencije i odraz
na sljedeću definiciju: vještačka inteligencija je grana informatike koja funkcioniše, prije
svega, na simboličkim, nealgoritamskim metodama rješavanja problema. Ova definicija
fokusira se na dvije karakteristike:
(1) Numerici naspram simbola. Računari su u početku projektovani da bi obrañivali
brojeve (numeričko procesiranje). Meñutim, ljudi teže da razmišljaju simbolički, ljudska
inteligencija bazira se više na mentalnim sposobnostima da manipuliše simbolima nego
brojevima. Mada je vještačka inteligencija koncentrisna na simboličko procesiranje to ne
znači da se vještačka inteligencija ne koristi matematikom. Tačnije rečeno akcenat vještačke
inteligencije je na manipulisanju simbolima.
109 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 540. 110 Ibid, p. 541.
95
(2) Algoritamski naspram heurističkog pristupa. Algoritam kao iterativna procedura
sa dobro definisanom startnom i ciljnom tačkom može da pronañe soluciju za odreñeni
problem. Većina računarskih arhitektura, sama po sebi, bazira se na iterativnom, korak po
korak, pristupu. U većini slučajeva u procesu rezonovanja čovjek se služi nealgoritamskim
pristupom, odnosno više se oslanja na pravila naučena ranijim iskustvom i na unutrašnja
osjećanja i intuiciju.
Heuristika . Heuristika se sastoji od intuitivnog znanja ili pravila "od oka" koja su
naučena na osnovu iskustva. Njena uloga u vještačkoj inteligenciji vidi se u definiciji da je
vještačka inteligencija grana informatike koja tretira način predstavljanja znanja korišćenjem
simbola s pravilima od oka ili heurističkih metoda za obradu informacija. Korišćenjem
heuristike ne mora se kompletno razmotriti šta da se radi svaki put kada se pojavi sličan
problem. Na primjer, kada prodavac planira da posjeti klijente u različitim mjestima,
popularna heuristika jeste da se posjeti najbliži susjed (takozvana heuristika najbližeg
susjeda). Većina metoda vještačke inteligencije primjenjuje odreñene vrste heuristika da bi se
smanjila složenost rješavanja problema.
Slika 3.1 Interakcija vještačke inteligencije i heuristika
Heurističke metode
Inteligentno izračunavanje Ostale heuristike
Fuzzy
logikaNeuronske
mrežeGenetski algoritam
Specijali-zovane
GeneričkeVještačka
inteligencija
Algoritamske metode
Ekspertni sistemiSistemi podrške
odlučivanju
Inteligentni sistemi podrške odlučivanju
Izvor: (pilagoñeno) Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht: Kluwer Academic Publishers Group, p. 149.
96
Na slici 3.1 prikazano je heuristika povezana sa vještačkom inteligencijom
dvosmjernom vezom To je činjenica koja ukazuje da se ove dvije metodologije meñusobno
pomažu i podržavaju jedna drugu. Osim toga heuristike se koriste u ekspertnim sistemima
bilo kao podreñeni elementi za generisanje ideja bilo kao optimizacioni mehanizam i
mehanizam pretraživanja. Termin inteligentno izračunavanje, važna kategorija heurističkih
tehnika, objedinjava tri poznate metodologije: neuronske mreže, evoluciono izračunavanje i
rasplinutu (fuzzy) logiku.111
Osim navedenih metoda u literaturi je predstavljen niz drugih heurističkih metoda
koje mogu da se klasifikuju na tehnike za rješavanje opštih problema (generičke heuristike) i
na one koji se primjenjuju za rješavanje specifičnih problema (specijalizovane heuristike).112
Zaklju čivanje. Kao alternativa heuristici vještačka inteligencija pruža mogućnosti
rezonovanja koje od postojećih heuristika može da stvara znanje visokog nivoa. Rezonovanje
se sastoji od zaključivanja na osnovu činjenica i pravila korišćenjem heuristika ili drugih
pristupa pretraživanju.
Mašinsko učenje. Sistemi vještačke inteligencije nemaju iste mogućnosti učenja kao
ljudi čija je značajna karakteristika sposobnost učenja, meñutim mogu da imaju sposobnosti
mehaničkog učenja koje se naziva mašinsko učenje i koje sistemu omogućava da prilagodi
svoje ponašanje i da reaguje na promjene u spoljašnjem okruženju. Za izgradnju inteligentnih
sistema postoji više metoda mašinskog učenja, uključujući induktivno učenje, vještačke
neuronske mreže i genetski algoritam.
3.1.2 Evolucija vještačke inteligencije
Nastojanja da se stvore mašine sa odreñenom vrstom inteligencije počela su prije
više od stotinu godina na idejama Babbagea113. Meñutim, ocem vještačke inteligencije smatra
se Alan Turing (Tjuring) koji je, 1950. godine, predstavio čuveni Tjuringov test koji daje
odgovor na pitanje da li je mašina sposobna da razmišlja kao ljudsko biće. Turing nije razvio
samo jednostavan, opšti i nearitmetički model izračunavanja, već je pretpostavljao da bi
modeli izračunavanja mogli, eventualno, da se ponašaju na način koji bi mogao da se smatra
inteligentnim. Termin vještačka inteligencija prvi put je upotrijebio John McCarthy za
111 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, p. 148. 112 Ibid, pp. 148-149. 113 Čarls Bebidž (Charles Babbage, 1792-1871) - engleski matematičar, konstruktor prve računske mašine.
97
vrijeme konferencije u Dartmouth College.114 Tada je predstavljen LISP programski jezik,
najpoznatiji alat za manipulisanje pojmovima (pravilima, komandama, imenima) i program
Logic Theory za automatizaciju teorijskog provjeravanja.115
Evolucija vještačke inteligencije ima nekoliko era (slika 3.2).116
Era buñenja. Početna faza, poznata kao era buñenja, bila je karakteristična po
činjenici da je veliki broj naučnika vjerovao da će za desetak godina računari biti inteligentni
kao ljudi. Jedan od najambicioznijih projekata u to vrijeme odnosio se na opštu tehniku
rješavanja problema (GPS) koja se razvila u nastojanju da se riješe mnogi i različiti problemi
koji variraju od igara do simboličkog predstavljanja. GPS je prvi poznati napor da se razdvoje
metode rješavanja problema od znanja vezanog za problem.
Slika 3.2 Ere u razvoju vještačke inteligencije
Izvor: (prilagoñeno) Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht: Kluwer Academic Publishers Group, p. 222.
Tamna era. Era bljeska praćena je, po pravilu, tamnom erom i obrnuto. Prema tome,
za vrijeme tamne ere nije bilo bitnog napretka i svi su nastojali da pronañu takav sistem koji
bi mogao da riješi sve probleme. Bljesak koji je vodio istraživače pravom cilju bio je
DENDRAL program čija je implementacija počela 1965. godine na Stanford univerzitetu
(Stanford University). DENDRAL se koristi skupom naredbi rezonovanja koje se zasnivaju 114 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, p. 221. 115 Ibid, p. 222. 116 Ibid, pp. 221-224.
1990: Neuronska era
1985-1990: Era komercijalizacije
1980-1985: Era istraživanja
1975-1980: Era partnerstva
1970-1975: Era renesanse
1965-1970: Mračno doba
1960-1965: Era buñenja
< 1960: Predistorijsko doba
98
na znanju ili pravilima da bi izdvojio slične molekuralne strukture organskih hemijskih
komponenti iz poznatih hemijskih analiza i masovnih spektrometrijskih podataka.117 Naglasak
na znanju vodio je Feigenbauma118 ka zaključku da "moć leži u znanju" i da se definiše proces
kreiranja sistema takve vrste kao što je inženjering znanja davanjem značaja konceptima
sistema koji se baziraju na znanju i ekspertnim sistemima.
Era renesanse. Iza svake mračne ere slijedi renesansa koja u razvoju vještačke
inteligencije obuhvata period od pet godina (1970-1975). Glavni predstavnik toga perioda bio
je PROSPECTOR, najuspješniji od ekspertnih sistema, razvijen 1974. godine u Stanfordskom
istraživačkom institutu koji je pomagao geolozima u istraživanju ruda.119
Era partnerstva. U periodu od 1975. do 1980. godine naučnici vještačke inteligencije
počinju da sarañuju s naučnicima iz drugih područja. Ta saradnja rezultirala je prvo u
povećanju broja angažovanih naučnika, a zatim do izlaska vještačke inteligencije iz naučnih
laboratorija i do njenog uvoñenja u laboratorije poslovnog istraživanja i do postepenog
začetka razvoja aplikacija koje involviraju probleme realnog svijeta.
Era istraživanja. Na početku osamdesetih godina prošloga vijeka razvijen je veliki
broj glavnih istraživačkih projekata. Meñu njima glavni projekat bio je projekat decenije koji
se odnosi na kreiranje računara pete generacije i koji je inicirala japanska vlada u Tokiju,
1981. godine, a ideja je prihvaćena od vlade SAD i vlada zemalja tadašnje Evropske zajednice
kao i od samih kompanija. Program Evropske komisije ESPRIT ima istu filozofiju.
Era komercijalizacije. U ovoj eri veliki broj kompanija i istraživača radilo je na
razvijanju sistema vještačke inteligencije koji nastoje da riješe stvarne probleme. Izmeñu
ostalih to su ekspertni sistemi razumijevanja prirodnih jezika.
Neuronska era. Današnje doba karakterišu studije i istraživanja na razvoju
računarskih sistema šeste generacije koji su povezani sa ponašanjem ljudskog mozga
(neuronska inteligencija) i molekularnom inteligencijom.120
117 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 552. 118 Feigenbaum, E. 1982. Knowledge Engineering for the 1980's. Standford University. California: Department
of Computer Science. Navedeno iz: Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht: Kluwer Academic Publishers Group, p. 223.
119 Cartwright, H. 2000. Intelligent Data Analysis in Science. New York: Oxford University Press, p. 20. 120 Winston, P. H., Shellard, S.A. 1990. Artificial Intelligence at MIT Expanding Frontiers. Vol. 1 and 2.
Cambridge: MIT Press. Navedeno iz: Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht: Kluwer Academic Publishers Group, p. 224.
99
Razvoj vještačke inteligencije, od 1960. godine do kraja prošloga vijeka, može se
podijeliti u četiri perioda (slika 3.3): 121
1. period naivnih rješenja (1960-1970),
2. period opštih metoda (1970-1980),
3. period područja znanja (1980-1990) i
4. period višestruke integracije (1990-).
Slika 3.3 Evolucija vještačke inteligencije
Izvor: Turban, E. et. al. 2005. Decision Support Systems and Intelligent
Systems. N.J.: Pearson Prentice Hall, p. 543.
Razvoj vještačke inteligencije počinje 1956. godine kada je jedna grupa naučnika iz
oblasti računarstva, okupljenih na Dartmouth koledžu, diskutovala o najvećim mogućnostima
računarskih aplikacija. Bili su uvjereni da bi računari, snabdjeveni ogromnim potencijalom
izračunavanja, mogli da riješe brojne složene probleme i da nadmaše čovjeka u mnogim
područjima. U to vrijeme naučnici nisu dovoljno poznavali složenost inteligencije čovjeka i
bili su pretjerani optimisti u vezi s onim što bi računari mogli dostići. Većina rješenja stvorena
u to vrijeme bila je primitivna, pa se iz tog razloga taj period naziva period naivnih rješenja.122
Poslije nekoliko godina "proba i grešaka" naučnici su počeli da se fokusiraju na
razvoj efikasnijih metoda rješavanja problema kao što su šeme predstavljanja znanja,
strategije rezonovanja i efektivne heuristike istraživanja. S obzirom na to da je karakteristika
toga perioda izgradnja metoda opštih namjena ovaj period naziva se period opštih metoda.
121 Turban, E. et al.2005. Decision Support Systems and Intelligent Systems. N.J.:Pearson Prentice Hall,
pp. 542-543. 122 Ibid, pp. 542-544.
1960. 1970. 1980. 1990.
Naivna rješenja
Opšte metode
Područno znanje
Višestruka integracija
100
Nakon izgradnje dovoljno opštih metoda počela je i njihova primjena u aplikacijama
rješavanja realnih problema. Većina aplikacija bila je usmjerena na strogo definisano područje
sa specijalizovanim znanjem. Sistemi te vrste nazvani su ekspertni sistemi. Karakteristično je
da prikupljanje znanja eksperta igra ključnu ulogu u razvoju takvih sistema. Zato se ovaj
period naziva period područja znanja.
Od 1990. godine razvijeno je više naprednih metoda rješavanja problema. Bilo je
veoma neophodno da se integrišu višestruke tehnike i rješavanje problema u više područja.
Ovo razdoblje naziva se periodom integracije jer su bili neophodni integrisani sistemi bazirani
na pravilima, sistemi koji se zasnivaju na slučajevima ili sistemi vještačkih neuronskih mreža
i genetskih algoritama.123
3.2 Ekspertni sistemi Ekspertni sistemi su najpoznatije i najšire područje primjene vještačke inteligencije.
To su softverska rješenja koja kombinuju znanje eksperata i nastoje da riješe posebne
specifične probleme podržavanjem rezonovanja procedura eksperata. Razvoj ekspertnih
sistema počinje krajem osamdesetih godina prošloga vijeka. U tom periodu napori naučnika
vještačke inteligencije kretali su se ka razvoju sistema za rješavanje problema opšte namjene
koji su pokrenuli Newell i Simon124 u njihovom nastojanju da stvore "inteligentni kompjuter".
Meñutim, pronalaženje opšte metodologije koja bi mogla da riješi bilo koji problem bilo je
nemoguće zbog različitog karaktera i složenosti različitih problema i širokog obima znanja.125
Ekspertni sistemi predstavljaju informatički izazov. To su, u osnovi dijagnostički
sistemi, ali, sve češče, preuzimaju funkcije upravljačkih sistema koji traže nove tehnologije
rada, prije svega primjenu vještačke inteligencije.126 Ekspertni sistemi prikupljaju znanje i
vještine od stručnjaka u obliku skupa pravila koji se dodaje u organizacionu memoriju ili
memorisanim saznanjima. Ekspertni sistemi pomažu donosiocima odluka postavljanjem
relevantnih pitanja i objašnjavanjem razloga izbora odreñenih akcija.127 Oni pokrivaju
specifičan domen ekspertize, sadrže bazu znanja organizovanu za korišćenje kao kolekciju
123 Ibid, p. 544. 124 Newel, A., Simon, H.A. 1972. Human Problem Solving. NJ: Prentice-Hall. Englewood. Navedeno iz:
Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht: Kluwer Academic Publishers Group, p. 224.
125 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht: Kluwer Academic Publishers Group, p. 224.
126 Stankić, R. 2005. Informatika. Brčko: Ekonomski fakultet, str. 64. 127 Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle
River, p. 385.
101
pravila, a ne kao nepromjenljiv kôd programa. Rezultate rezonovanja ekspertni sistemi
prikazuju na jasan i razumljiv način, a mogu da se razvijaju i pružaju savjete umjesto
tabelarnih prikaza i grafikona.128
Osnovne karakteristike ekspertnih sistema su:129
� Ekspertiza. Ekspertni sistem mora da posjeduje ekspertizu koja će mu omogućiti
odlučivanje na nivou eksperta.
� Simboličko rezonovanje. Osnovno načelo vještačke inteligencije jeste korišćenje
simboličkim rezonovanjem umjesto matematičkih izračunavanja. Tako je i sa
ekspertnim sistemima. znanje mora da bude predstavljeno simbolički, a primarni
mehanizam rezonovanja mora da bude simbolički. Pravi mehanizmi simboličkog
rezonovanja obuhvataju ulančavanje unazad i ulančavanje unaprijed.
� Duboko znanje. Ovo se odnosi na nivoe ekspertize u bazi znanja. Baza znanja mora
da sadrži kompleksno znanje koje ne mogu jednostavno da pronañu oni koji nisu
eksperti za odreñenu oblast.
� Sopstveno znanje. Ekspertni sistem mora da bude u mogućnosti da razmotri svoje
sopstveno rezonovanje i da objasni zašto je postignut odreñeni zaključak. Mnogi
ekspertni sistemi imaju mogućnost učenja koja im omogućava da stalno
osavremenjuju i inoviraju svoju bazu znanja.
Osnovne ideje inteligentnog rješavanja problema pomoću ekspertnog sistema su:130
� znanje je skup činjenica, uvjerenja i heuristika,
� uspjeh je nalaženje dovoljno dobrog odgovora korišćenjem raspoloživih
sredstava,
� na uspjeh direktno utiče efikasnost pretraživanja baza podataka i baza znanja,
� na povećanje kompleksnosti problema značajno utiču greške u podacima i znanju,
dinamičke promjene podataka, broj mogućnosti koje treba uzeti u obzir i
kompleksne procedure za eliminisanje alternativa,
� na efikasnost rješavanje problema utiče tačnost i primljenivost znanja, brzo
eliminisanje redundantnih operacija, povećanje brzine rada računara, višestruki
izvori znanja i rezonovanje na različitim nivoima apstrakcije.
128 Stankić, R. 2005. Informatika. Brčko: Ekonomski fakultet, str. 64. 129 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, pp.
550-551. 130 Stankić, R. 2005. Informatika. Brčko: Ekonomski fakultet, str. 64-65.
102
Razvoj ekspertnih sistema podijeljen je u dvije generacije. Za predstvaljanje i
memorisanje znanja većina ekspertnih sistema prve generacije koristi se if-then pravilima.
Ekspertni sistemi druge generacije su fleksibilniji i primjenjuju više metoda predstavljanja
znanja i rezonovanja. Da bi mogli da ponude odluku sa visokim performansama oni povezuju
neuronske mreže i mehanizam zaključivanja koji se zasniva na pravilima.
3.2.1 Vrste ekspertnih sistema
Klasifikacija ekspertnih sistema nije ekskluzivna tako da se mogu pojaviti u nekoliko
vrsta. U biti zavisno od toga koliko je ekspertize sadržano u ekspertnom sistemu moguće ih je
svrstati u jednu ili drugu vrstu. Uobičajena je klasifikacija ekspertnih sisteme na: ekspertne
sisteme zasnivane na pravilima, sisteme koji se zasnivaju na okvirima (frejmovima), hibridne
ekspertne sisteme, ekspertne sisteme zasnovane na modelima, gotove ekspertne sisteme,
ekspertne sisteme koji funkcionišu u realnom vremenu.
Ekspertni sistemi zasnovani na pravilima sadrže znanje koje je predstavljeno u nizu
pravila. Većina komercijalnih ekspertnih sistema zasnovano je na pravilima jer je tehnologija
ovih sistema dobro razvijena, a projektnim alatima mogu da se koriste krajnji korisnici.
Ekspertni sistemi zasnovani na okvirima sadrže znanje koje se predstavlja u
okvirima. Predstavljanje znanja na ovaj način slično je predstavljanju u objektno-
orijentisanom programiranju.
Hibridni sistemi uključuju nekoliko načina predstavljanja znanja, a kao minimum
obično uključuju frejmove i pravila. Da bi se obezbijedili bolji savjeti napredne tehnike, kao
što su vještačke neuronske mreže i fuzzy logika, povezuju su sa pravilima.
Sistemi zasnovani na modelima strukturirani su oko modela koji simulira strukturu i
funkciju sistema koji se analizira. Model se upotrebljava da bi se izračunale vrijednosti koje
se porede sa posmatranim vrijednostima. Ako je potrebno komparacija pokreće akciju ili
daljnu dijagnozu.
Ekspertni sistem može da izgradi korisnik da bi zadovoljio svoje potrebe ili da se
naruče kao gotovi paketi za opštu namjenu. Unaprijed pripremljeni ekspertni sistemi slični su
aplikacijama za glavnu knjigu ili upravljanje projektima u operativnom menadžmetu. Ovi
sistemi koriste se ekonomijom masovne proizvodnje, pa su prema tome prilično jeftiniji od
sistema prilagoñenih krajnjem korisniku. Mogu da se upotrebljavaju odmah nakon kupovine,
ali, nažalost, gotovi sistemi su po svojim karakteristikama veoma uopšteni, pa savjet koji
103
pružaju ne mora da bude vrijedan za donosioca odluke koji se suočava sa složenom situacijom
odlučivanja, odnosno nestrukturiranim problemom. Meñutim, njihova će popularnost rasti
padom njihove cijene i porastom mogućnosti. Postoje dvije vrste gotovih ekspertnih sistema:
ekspertni sistemi za opštu namjenu i specijalizovani ekspertni sistemi.
Real-time ekspertni sistemi funkcionišu u realnom vremenu, a ograničenja u tom
pogledu nalaze se u vremenu odgovora ekspertnog sistema na obradu koju izvršava. Zavisno
od situacije odgovor ekspertnog sistema mora da bude toliko brz koliko je to dovoljno za
kontrolu procesa koji izvršava.
3.2.2 Struktura ekspertnog sistema
Ekspertni sistem može se posmatrati sa dva aspekta. Prvi aspekt je kako sistem vidi
njegov kreator za vrijeme faze razvoja i indukovanja znanja, dok je drugo gledište kako
ekspertni sistem shvata korisnik za vrijeme funkcionisanja sistema.131 Obično proceduru
funkcionisanja ekspertnog sistema pokreće korisnik sistema postavljanjem zahtjeva za
konsultaciju. Zatim se sistem koristi svojim mehanizmom zaključivanja da bi upravljao
pravilima koja sadrži postojeća baza znanja. Ako sistem ima dodatna pitanja o nekim
činjenicama upućuje ih korisniku da bi dobio dodatne informacije. Te činjenice, pored drugih
koje se pojavljuju za vrijeme različitih meñuoperacija u toku funkcionisanja ekspertnog
sistema, smještene su u radnu memoriju. Proces se nastavlja sve dok sistem ne postigne
konačan zaključak. Ishodni zaključak može da bude konsultacija za početni upit ili sistemska
naredba koja pokazuje da rezultat ne može da bude postignut zbog nedostatka adekvatnog
postojećeg znanja da bi se kompletirao traženi zadatak. Posebna karakteristika ekspertnog
sistema je mogućnost objašnjavanja izvedenih zaključaka o čemu se brine mehanizam za
objašnjenje zahvaljujući kojem ekspertni sistem može da pruži odgovor na pitanje kako je
postigao zaključak i zašto postavlja odreñena pitanja. Sve to može da bude od koristi za
kreatora sistema i za korisnika. Važna komponenta ekspertnog sistema je i korisnički
interfejs.132
Na slici 3.4 prikazana je struktura ekspertnog sistema i način rješavanja problema u
poreñenju ekspert − ekspertni sistem.
131 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, p. 228. 132 Soldić-Aleksić, J. 2001. Inteligentni sistemi za poslovno odlučivanje. Beograd: Ekonomski fakultet, str. 61.
104
Slika 3.4 Način rješavanja problema eksperta i struktura ekspertnog sistema
Izvor: (prilagoñeno) Soldić-Aleksić, J. 2001. Inteligentni sistemi za poslovno odlučivanje. Beograd: Ekonomski
fakultet, str. 60.
Slika 3.5 Struktura ekspertnog sistema
Izvor: Turban, E. et. al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 555.
Dugotrajna
memorija
Rezonovanje
Problemska oblast
Kratkotrajna memorija
Činjenice i zaključci
Savjet
Činjenice i zaključci
Baza znanja
Mehanizam zaključivanja
Problemsko znanje
Radna memorija
Činjenice i zaključci
Korisnik
Činjenice i zaključci
Ekspert Ekspertni sistem
Korisnički interfejs
Korisnik
Činjenice o posebnim okolnostima
Baza znanja Činjenice Šta je poznato o određenoj
oblasti Pravila Logičko povezivanje (između
simptoma i uzroka)
Inženjer znanja
Znanje eksperta
Mehanizam za objašnjenje
Preporučena akcija
Mehanizam zaključivanja izvlači zaključke
Interpretator Planer Integrator
Tabla (radni prostor) Plan Raspored
Rješenje Opis problema
Oplemenjivanje znanja
Konsultaciono okruženje Razvojno okruženje
Dokumentovano znanje
Pribavljanje znanja
105
Postoje dva okruženja posmatranja ekspertnih sistema: razvojno okruženje i
konsultaciono ili okruženje rada sistema (slika 3.5).133 Razvojnim okruženjem koristi se
kreator sistema da bi izgradio komponente i unio znanje u bazu znanja dok se okruženjem
konsultovanja koristi korisnik (koji nije ekspert) da bi upotrijebio znanje i savjete eksperta.
Ova dva okruženja mogu da se odvoje nakon kompletiranja sistema.
Glavne komponente koje se pojavljuju u ekspertnom sistemu su: baza znanja,
mehanizam zaključivanja i korisnički interfejs. Ekspertni sistem koji je u interakciji sa
korisnikom mora da sadrži i sljedeće dodatne komponente:
� podsistem za pribavljanje znanja,
� tabla (radni prostor),
� podsistem za objašnjavanje (interpretator),
� sistem za oplemenjivanje znanja.
3.2.2.1 Baza znanja
Baza znanja sadrži relevantno znanje potrebno za razumijevanje, formulisanje i
rješavanje problema, a obuhvata dva osnovna elementa134: (1) činjenice o situaciji problema i
teorija područja problema i (2) posebne heuristike ili pravila koja upravljaju upotrebom
znanja za rješavanje posebnih problema u odreñenom području. U odreñenim slučajevima
mehanizam zaključivanja može da uključi rješavanje problema opšte namjene i pravila
donošenja odluka. Ovdje treba dodati i mogućnost da se u bazu znanja uključi i znanje vezano
za poslovno odlučivanje.
Istraživači vještačke inteligencije razvili su nekoliko novih tehnika predstavljanja
znanja koje omogućavaju fleksibilniju upotrebu specijalizovanog znanja za rješavanje
različitih vrsta problema. U saradnji sa ekspertima, koji daju ekspertizu o odreñenom
problemu, profesionalci, koji se ponekada nazivaju inženjeri znanja, opisuju ekspertizu u
obliku koji može da se kodira u računarski program. Način kodiranja znanja u bazi znanja
može da bude različit, zavisno od prirode znanja. Najvažnije tehnike za kodiranje znanja su
produkciona pravila, semantičke mreže, frejmovi i objekti.135
Produkciona pravila naročito se koriste u izgradnji sistema koji se baziraju na
heurističkim metodama. To su jednostavna "ako - onda" pravila koja se često koriste za 133 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, pp.
554-557. 134 Ibid, p. 556. 135 Sprague, R. H. Jr. and Watson, H. J. 1996. Decision Support for Management. N.J.: Prentice Hall, Upper
Saddler River, pp. 376-378.
106
predstavljanje empirijskih konsekvenci na osnovu uslova ili akcija koje mogu da se preduzmu
u datoj situaciji. Baze znanja prvih ekspertnih sistema zasnivale su se na pravilima. Osnovna
karakteristika takve baze jeste odvojenost znanja od metoda rezonovanja i mogućnost
dodavanja pravila u bazu.
Semantičke mreže predstavljaju jedan od načina objektnog prikazivanja znanja.
Objekti i deskriptori, odnosno atributi i vrijednosti prikazuju se kao čvorovi, a odnosi izmeñu
njih vezama. Na slici 3.6 prikazana je pojednostavljena semantička mreža.Veze izmeñu
čvorova su obično "je" što pokazuje specijalizaciju i "ima" što ukazuje na atribute objekta.
Bitna karakteristika semantičkih mreža je koncept nasljeñivanja pri čemu čvorovi podsistema
nasljeñuju atribute čvorova sistema višeg reda. Meñutim, značajan nedostatak je da
semantička mreža nema odgovarajuću strukturu za modeliranje složenih veza atributa izmeñu
više objekata i da ona predstavlja tzv. plitku strukturu znanja.136
Slika 3.6 Semantička mreža
Okviri ( frames). Često se elementi znanja grupišu u skladu sa njihovom prirodom,
specifičnim stanjem, objektima ili dogañajima. Ako se fokusira na stanje mogu se formirati
novi pojmovi kao što su stereotipne situacije. Ljudi organizuju svoje znanje u skladu sa tim
stereotipnim situacijama, standardizovanim mentalnim slikama koje se mogu smatrati
objektima i dogañajima. Objektno-orijentisan aspekt predstavljanja znanja dozvoljava da
deskriptivno znanje bude podijeljeno u diskretne strukture koje imaju pojedinačna svojstva.
Jedan tip diskretnih struktura naziva se frejm.137
136 Soldić -Aleksić J. 2001. Inteligentni sistemi za poslovno odlučivanje. Beograd: Ekonomski fakultet, str.77-79. 137 Klein, M. and Leif, M. B. 1990. Expert Systems, a Decision Support Approach. New York: Addison-Wesley
Publishing Company, p. 135.
Kredit
je
Kamatna stopa
Kredit za automobil
ima ima
Rok otplate je
5 godina 9%
je
107
Frejmovi služe za predstavljanje stereotipnih situacija ili objekata koji su tipični
predstavnici neke vrste (prototipovi). Važno svojstvo frejmova je standardna ili
podrazumijevana vrijednost za koju se smatra da je istinita dok se ne dokaže drugačije.138
Frejmovi se upotrebljavaju da bi se predstavili širi pojmovi, klase objekata,
pojedinačni primjeri ili slučajevi objekata ili dijelovi objekata. Frejmovi formiraju strukture
meñusobnim povezivanjem objekata u hijerarhiju nasljeñivanja. Pojedinačni slučajevi
frejmova nasljeñuju informacije i ponašanja od klase objekata kojoj pripadaju čime se
olakšava kodiranje, naročito ako postoji veliki broj pojedinačnih slučajeva za kodiranje.
Za razliku od semantičkih mreža, koje predstavljaju znanje u dvodimenzionalnoj
formi, frejmovi uvode i treću dimenziju na taj način da čvorovi dobijaju svoju strukturu koja
može da bude konkretna vrijednost ili drugi frejm. Frejm je, prema tome, složeni objekat čiji
su atributi smješteni u tzv. slotovima frejma koji služe za smještanje informacija povezanih sa
datim objektom. Sadržaj slota može da bude činjenica, pravilo, procedura, vrijednost, grafički
prikaz ili naziv drugog frejma. Meñusobni odnos više frejmova prikazan je na slici 3.8.139
Znanje se može predstaviti i pomoću tripleta, trojke ili trijade: O−A−V140 (objekat −
obilježje − vrijednost), slika3.7.
Slika 3.7 Trojka objekat →→→→ obilježje →→→→ vrijednost
Trijade i frejmovi mogu se smatrati posebnim vrstama semantičkih mreža. Tako se
veza objekat →→→→ obilježje može zamisliti kao veza "ima" dok se veza obilježje →→→→ vrijednost
smatra vezom "je".141
138 Ibid, p. 135. 139 Soldić-Aleksić, J. 2001. Inteligentni sistemi za poslovno odlučivanje. Beograd: Ekonomski fakultet, str. 79. 140 O-A-V triplet (trojka ili trijada) - Object-Attribute-Value - predstavljanje znanja pomoću objekata, atributa i
vrijednosti. 141 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, pp. 238-239.
Kredit ima rok otplate koji je 36 mjeseci
Objekat Obilježje Vrijednost
108
Slika 3.7 Meñusobni odnos više frejmova
3.2.2.2 Mehanizam zaključivanja
Turban et al.142 smatraju mehanizam zaključivanja "mozgom", a Matsatsinis, N. F. i
Siskos, Y.143 "srcem" ekspertnog sistema. Mehanizam zaključivanja takoñe se naziva i
kontrolna struktura ili interpretator pravila (u ekspertnim sistemima koji se zasnivaju na
pravilima). Ta komponenta je u biti računarski program koji obezbjeñuje metodologiju za
rezonovanje o informaciji (znanju) u bazi znanja i u radnom području (tabli) i za formulisanje
zaključaka. Mehanizam zaključivanja sadrži naredbe o načinu korišćenja znanja sistema
sastavljanjem rasporeda rada (agende) koji organizuje i kontroliše korake preduzete za
rješavanje problema za vrijeme konsultacije.
142 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 556. 143 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, p. 229.
Tražioci kredita
Naziv:
Adresa:
Zahtjev za kredit:
Tražilac kredita
traži
Kredit za
Automobil podnosi
Dokumenta
viša klasa
Tražioci kredita
Kredit
Iznos kredita:
Vrsta kredita:
Rok vraćanja:
Kamatna stopa:
Rata : (računa se na osnovu iznosa, roka i kamatne stope)
Automobil
Vrsta automobila:
Model:
Cijena:
Boja:
…
Dokumenta
…
…
109
Mehanizam zaključivanja ima zadatak da upravlja i kontroliše znanje koje je
memorisano u bazi znanja i radnoj memoriji za formulisanje zaključaka. Glavni dijelovi
mehanizma zaključivanja su interpretator, planer i integrator.144
� Interpretator pravila izvršava odabrane akcije primjenom pojedinih pravila na
bazu znanja da bi se dobilo novo znanje. To se postiže primjenom statističkih
metoda ili metoda uporeñivanja oblika. Zasnovan na tim metodama on procjenjuje
informacije memorisane u bazi znanja da bi se otkrila odgovarajuća pravila.
� Planer upravlja kontrolnom strategijom sistema. Zadaci planera obuhvataju nadzor
nad redoslijedom izvršavanja različitih zadataka i izračunavanje rezultata
izvedenih primjenom pravila u skladu sa prioritetima podataka ili drugim
kriterijumima definisanog programa rada. Planer odlučuje kada i u kojem
redoslijedu će se koristiti podaci. Planer sadrži znanje za procjenu alternativnih
putanja traženja i kontrolno znanje za koordinaciju različitih funkcija. U većini
slučajeva u planer se uključuje znanje neophodno za rješavanje konkretnog
problema.
� Integrator nastoji da održi konzistentan prikaz ponuñenog rješenja.
� Radna memorija (radni prostor ili tabla) postavljena je odvojeno kao baza
podataka za opis tekućeg problema i odreñena ulaznim podacima, a koristi se za
registrovanje prelaznih hipoteza i odluka. Na tabli mogu da se registruju tri vrste
odluka: plan kako da se „napadne“ problem, raspored potencijalnih akcija koje
čekaju na izvršavanje i rješenje, odnosno kandidovane hipoteze i alternativni
pravci akcije koje je sistem već generisao.
3.2.2.3 Korisnički interfejs
Korisnik ekspertnog sistema može da bude:145
- Klijent. Korisnik koji nije ekspert u odreñenoj oblasti koristi se ekspertnim
sistemom da bi od njega dobio savjet. Korišćenjem sistema korisnik može da
unaprijedi kvalitet odluka koje donosi.
- Učenik. U ovom slučaju korisnik primjenjuje ekspertni sistem da bi povećao svoje
znanje o odreñenoj temi. Ovdje sistem igra ulogu instruktora (učitelja).
144 Ibid, pp. 229-230. 145 Ibid, pp. 229-231.
110
- Ekspert. Ekspert se koristi sistemom da bi dobio drugo mišljenje o odluci ili da
pronañe pomoć u nelogičnim zadacima ili konačno zato što želi da prati
rezonovanje opservacijom postepenih koraka koje sistem slijedi da bi postigao
odreñeni zaključak.
- Projektant. Projektant se koristi sistemom da bi ga kontrolisao, unaprijedio i
povećao znanje koje je već sadržano u sistemu.
Različitim korisnicima ekspertnog sistema potreban je odgovarajući korisnički
interfejs. Da bi postigao bolje performanse odluka korisnik komunicira sa sistemom
prirodnim jezikom pomoću korisničkog interfejsa i raznovrsnih grafičkih ekrana. Korisnik je,
takoñe, u mogućnosti da održava različite baze znanja, baze podataka i baze modela koje su
neophodne za odgovarajuće funkcionisanje sistema. Konačno, savjeti sistema prezentuju se
korisniku pomoću podsistema korisničkog interfejsa. Korisnik je u mogućnosti da se koristi
mehanizmom objašnjavanja i da dobije odgovore na sljedeća pitanja:146
- Kako je sistem postigao odreñeni zaključak?
- Zašto su neki alterantivni odgovori odbačeni?
- Kojim se procesom sistem koristio da bi postigao konačni zaključak?
- Zašto je sistem podsticao neka pitanja u nastojanju da se pronañe put do konačnog
odgovora?
Odgovori na ova pitanja, koja pruža posebna komponenta ekspertnog sistema -
mehanizam objašnjavanja (explanation facillity), od velike su važnosti ne samo za korisnika
sistema, već i za dizajnera ekspertnog sistema koji mora stalno da radi na njegovom
održavanju i usavršavanju. Prilikom izgradnje i primjene ekspertnog sistema u poslovnom
odlučivanju od posebnog je značaja da se u njegovo projektovanje i primjenu uključe
menadžeri svih nivoa - donosioci odluke o funkcionisanju poslovnog sistema.
3.3 Ekspertni sistemi na Internetu Veza izmeñu ekspertnih sistema i Interneta i intraneta može da bude podijeljena u
dvije vrste. Prva je primjena ekspertnih sistema na Internetu. U tom slučaju Internet podržava
aplikacije ekspertnih i drugih sistema koji se oslanjaju na vještačku inteligenciju. Druga vrsta
jeste podrška ekspertnih sistema i drugih metoda vještačke inteligencije koju oni pružaju
Internetu.147
146 Ibid, p. 229. 147Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 568.
111
U tabela 3.1 prikazani su efekti koje ekspertni sistem dobija sa Interneta i doprinosi
ekspertnog sistema i drugih tehnologija vještačke inteligencije Internetu i mreži uopšte
(intranetu i ekstranetu).
Tabela 3.1 Meñusobni uticaji ekspertnih sistema i Interneta
Aspekti Efekti sa Interneta Efekti na Internet
Pribavljanje znanja
Saradnja eksperata iz različitih oblasti preko Interneta.
Sticanje znanja u različito vrijeme da bi se prilagodilo vremenskom rasporedu različitih eksperata.
Znanje dobijeno od različitih eksperata postavlja se na Internet da bi se stimulisala diskusija o unapreñivanju znanja.
Znanje o funkcionisanju i aktivnostima Interneta može da se prikuplja, ureñuje, dijeli i koristi.
Projektovanje
ekspertnih sistema
Geografski udaljenim timovima omogućen je rad na zajedničkom projektovanju ekspertnih sistema.
Omogućen je outsourcing projektnih aktivnosti.
Daljinska evaluacija ekspertnog sistema.
Internet obezbjeñuje jedinstven multimedijalni korisnički interfejs za jednostavnu integraciju sistema.
Servisi Interneta obezbjeñuju bolju platformu za dizajniranje ES.
Projektovanje ekspertnog sistema za podršku aktivnostima, automatskim uslugama i boljim performansama Interneta.
Konsultacija ekspertnih sistema
Korisnici sa udaljenih područja mogu da se koriste sistemom za rješavanje problema.
Ekspertiza se jednostavno distribuira širem krugu korisnika.
Aplikacije ES za kontrolu i pretraživanje Interneta.
Izvor: Turban, E. et. al. 2005. Decision Support Systems and Intelligent Systems. N.J: Pearson Prentice Hall, p. 569.
3.3.1 Upotreba ekspertnog sistema na Internetu
Jedan od razloga razvoja ekspertnog sistema bila je njegova mogućnost da obezbijedi
znanje i konsultacije (savjete) velikom broju korisnika. S obzirom na to da je znanje
distribuirano na veliki broj ljudi smanjivali su se troškovi po korisniku, što je ES činilo vrlo
prihvatljivim. Meñutim, taj cilj teško se postizao jer su se savjetodavni ili konsultantski
sistemi (kako su se ekspertni sistemi ranije nazivali) koristili neredovno, a bio je potreban
veliki broj korisnika da bi se opravdalo njihovo konstruisanje. Posljedica toga bilo je da je
veoma malo ekspertnih sistema distribuiralo znanje velikom broju korisnika.148
Široka rasprostranjenost i upotreba Interneta i intraneta obezbjeñuju povoljnu priliku
da ekspertiza i znanje bude dostupno širem krugu korisnika. Implementiranjem ekspertnih
sistema i drugih inteligentnih sistema kao servera znanja postaje ekonomski opravdano i
profitabilnije da se ekspertiza objavljuje na Internetu. Ekspertni sistemi koji funkcionišu na
serveru mogu da pruže podršku velikoj grupi korisnika koji komuniciraju sa sistemom preko
148 Ibid, p. 568.
112
Interneta. Na taj način, putem korisničkih interfejsa koji se zasnivaju na Web protokolima, i
korišćenjem pretraživača obezbjeñuje se pristup serverima znanja.149
Potrebno je naglasiti da se ekspertni sistemi mogu prenositi mrežom ka drugim
računarskim sistemima, automatskim ureñajima (robotima) i bazama podataka. Posebni
značaj jeste mogućnost njihovog prenosa i integracije sa sistemima podrške poslovnom
odlučivanju. Postoje i mogućnosti ostale podrške Interneta ekspertnim sistemima, posebno u
procesu njihove izgradnje.150 Pomoću groupware sistema zasnovanih na Internetu olakšava se
saradnja izmeñu kreatora ekspertnog sistema, eksperata i inženjera znanja. Na taj način mogu
da se smanje troškovi izgradnje ekspertnih sistema i prikupljanja znanja u slučaju da postoji
nekoliko eksperata ili kada su ekspert i inženjer znanja na različitim lokacijama. Održavanje
znanja može da se olakša korišćenjem mreže računara.
Mreža (Internet, ekstranet i intranet) može u velikoj mjeri da podrži širenje primjene
ekspertnih sistema baziranih na multimedijima. Takvi sistemi, koji se nazivaju intelimedija
sistemi, podržavaju integraciju opsežnih multimedijalnih aplikacija i ekspertnih sistema, a
mogu, u velikoj mjeri, da pomognu udaljenim korisnicima da dijagnostikuju greške opreme za
daljinsku primjenu ekspertnih sistema.151
3.3.2 Primjeri ekspertnih sistema koji se zasnivaju na Internetu
Veliki broj ekspertnih sistema može da funkcioniše on-line, odnosno njihov rad
zasniva se na Internetu. Ovdje se navodi nekoliko takvih primjera.
LogicNets Online Expert System152 jedan je od najadekvatnijih ekspertnih sistema
koji se zasniva na Internetu i pomoću kojeg eksperti iz različitih oblasti mogu da postavljaju
ekspertize u aplikacije LogicNets-a i da imaju trenutni pristup takvim aplikacijama.
Primjenom LogicNets-a eksperti mogu da podijele komplikovane zadatke ili procedure u
nizove jednostavnih koraka koji se kasnije mogu povezati u strukture slične stablima
odlučivanja koje se odnose na logičke mreže. Izvršavanje zadatka, odnosno donošenje
poslovne odluke, u slučaju primjene ovoga sistema u odlučivanju, vrši se u interakciji sa
LogicNet-om čijom se primjenom proces vodi samo kroz one korake koji su relevantni za
datu specifičnu situaciju odlučivanja što u znatnoj mjeri pojednostavljuje izvršavanje zadatka
149 Eriksson, H. 1999 (June). "Expert Systems as Knowledge Servers". IEEE Expert. Navedeno iz: Turban, E. et
al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 568. 150 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 568. 151 Ibid, p. 568. 152 www.logicnets.com
113
ili procedure, odnosno donošenje poslovne odluke. Primjena ovoga sistema ne zahtijeva od
korisnika programske vještine, jer se, u stvari, ne radi o programu već o jednostavnim
komponentama sistema ugrañenim u pojedine aplikacije.
Exsys Knowledge Automation Expert Systems153, snažni interaktivni ekspertni sistem
koji se zasniva na Web-u, omogućava poslovnim sistemima da distribuiraju znanje eksperta
(ekspertizu), njihovu najvredniju imovinu, korisnicima kojima je to znanje potrebno za
rješavanje mnogobrojnih problema i da pomognu u donošenju odluka. Exsys je razvio više
ekspertnih sistema pomoću sopstvenog razvojnog softvera koji sistematski opisuje ekspertizu
i korake koje donosilac odluke preduzima prilikom donošenja odluke. Bilo da se radi o
samostalnim lokalnim sistemima bilo o rješavanju problema preduzeća na svjetskom nivou
oni daju savjete i preporuke o specifičnim situacijama koji se dostavljaju korisniku automatski
direktno. Kada se strateški razmjesti na Web stranice interakcija korisnika sa tim ekspertnim
sistemima podržava konverzaciju jedan prema jedan sa ekspertom da bi se dobili odgovori
upravo u područjima gdje postoji složena logika vjerovatnoće i više nivoa rezonovanja.
Najnoviji Exsys-ov proizvod Exsys CORVID154 namijenjen je za izgradnju
ekspertnih sistema za Internet orijentaciju. CORVID je potpuno novi pristup izgradnji
ekspertnih sistema čiji se razvojni interfejs zasniva na novom konceptu izgradnje pravila i
stabala odlučivanja korišćenjem logičkih blokovskih struktura za organizovanje logičkih
elemenata sistema. Komandni blokovi obezbjeñuju vizualni način prikazivanja proceduralnog
toka funkcionisanja sistema. Novi dizajner ekranskih formulara omogućava da dizajn i
povezivanje zasnovano na Web-u budu jednostavno inkorporirani u interfejs krajnjeg
korisnika. CORVID omogućava isporuku sistema pomoću malih Java apleta ili za složenije
interfejse pomoću Servlet Runtime. Java apleti omogućavaju da se sistem veoma jednostavno
postavi na Web stranicu dodavanjem nekoliko linija kôda koje CORVID kreira. Sistem radi na
računaru klijenta a ne na serveru i na taj način postaje dostupan većem broju krajnjih
korisnika. Servlet Runtime omogućava da se interfejs ugradi u HTML pomoću šablona
ekranskih formulara. Dodavanjem nekoliko šablona (ponekada svega dva) dovoljno je da se
pokrene većina sistema pomoću Servlet Runtime.
Postoji više ekspertnih sistema koji su razvijeni uz pomoć Exsys softvera kao što su:
(1) savjetnik (sistem) za analizu kredita (2) sistem automatizacije znanja za kontrolu tržišta i
(3) sistem predviñanja odobravanja komercijalnih kredita.
153 www.exsys.com 154 www.exsyssoftware.com/CORVID
114
Savjetnik za analizu kredita i sistem izvještavanja155, sistem za automatsko
upravljanje znanjem, projektovan je za podršku potrebama institucija koje odobravaju
komercijalne kredite. Preko jedne trećine od stotinu vodećih komercijalnih banaka u SAD i
Kanadi, pored nekoliko najvećih industrijskih i finansijskih kompanija u svijetu, koriste se
FAST softverom za analizu kredita koji omogućava analitičaru kredita pristup ekspertizama
više iskusnih savjetnika za kredite čime se ubrzava proces obuke i povećava produktivnost.
Ovaj softver obezbjeñuje i kompletan dijapazon klasičnih analitičkih izvještaja koji se
zasnivaju na pričama o slučajevima iz prošlosti i na tzv. proforma pristupu. Sistem daje
potpunu analizu tradicionalnih izvještajnih podataka i na taj način podržava filozofiju
kompanije da se za povećanje produktivnosti kreditnih službenika koristi najnovijom
tehnologijom. Sistem automatskog pristupa znanju ne obezbjeñuje samo interpretacije
izvještaja o prošlim finansijskim dogañajima na engleskom jeziku, već, takoñe, priprema
pretpostavke za godišnje projekcije i kreira tekstualne izlaze koji mogu da se povezuju sa
softverom za obradu teksta. Eliminisana je i većina dosadnih pisanja analitičkih izvještaja jer
sistem generiše standardne finansijske izvještajne preglede. Periodičnim ažuriranjem baza
znanja sistem se prilagoñava tekućoj kreditnoj politici banke, privrednim (lokalnim i
državnim) predviñanjima i projekcijama kamatnih stopa. Sistem kontinuirano i vjerodostojno
interpretira veze izmeñu tih promjenljivih faktora i nivoa senzitivnosti korisnika koja je
povezana sa konkretnim finansijskim izvještajem.
Sistem automatizacije znanja za kontrolu tržišta156. Američka berza akcija (ASE) je
organizacija odgovorna za kontrolu tržišnih aktivnosti više investicionih područja AMEX
uključujući i akcije. Odjeljenje za praćenje akcija prima informacije o vanrednim
aktivnostima iz više izvora. Odjeljenje zatim preduzima inicijalno sortiranje preporuka kako
bi se odredilo da li da se dalje investira ili ne. Sistem je projektovan za podršku analitičarima
u sastavljanju preporuka o mogućem investiranju u sumnjivo poslovanje u unutrašnjoj
trgovini. Korisnik dobija cijene akcija na svoj računar iz baze podataka pomoću upita.
Analitičar se zatim koristi radnom tabelom sa menijima i makroima da bi odredio investicioni
period za koji je zainteresovan. Korisnički interfejs čita podatke i obezbjeñuje format za brzo
unošenje podataka od strane korisnika u obliku upitnika. Radna tabela obezbjeñuje podatke
sistemu za automatsko upravljanje znanjem koji, zatim, obezbjeñuje odgovarajući upitnik.
Sistem postavlja nekoliko dodatnih pitanja i daje korisniku dva rezultata. Jedan rezultat je
155 www.exsyssoftware.com/Credit Analysis Advisor and Report System - Moody's Risk Management Services. 156 www.exsyssoftware.com/Detecting Insider Trading - American Stock Exchange
115
vjerovatnoća o mogućem investiranju, a drugi protiv investiranja. Cijeli sistem funkcioniše na
jednom sekvencijalnom fajlu. Na kraju korisničke sesije sistem štampa rezultate i snima
podatke i postavlja pravilo u folder za investicije.
Sistem predviñanja mogućnosti odobravanja komercijalnih kredita157 je sistem za
automatizaciju znanja projektovan za banke koje su specijalizovane za kredite preko 30
miliona dolara. Takvi krediti obično su za osnovne grañevinske projekte čiji su izvorni
fondovi gotovo uvijek federalni novac sa opsežnom regulativom. Prije nego što se odobri
takav kredit mora da se izvrši dugotrajna i skupa studija koja, da bi se kompletirala, može da
traje u prosjeku do 6 mjeseci, da obuhvati 3200 stranica i da košta 250 000 dolara. Banka kao
strana u odobravanju kredita pokriva troškove studije. Meñutim, troškovi u iznosu od 250 000
dolara pokrivaju se samo ako je banka odobrila kredit. Investicija u studiju je, prema tome,
gubitak ako kredit nije odobren. Posljedica toga je postojanje velikog pritiska da se kredit
odobri i kada uslovi za to nisu ispunjeni. Da bi se riješio takav problem projektovan je sistem
za automatsku obradu znanja pomoću kojeg se predviña da li će kompletna studija dovesti do
kredita koji će biti odobren ili koji bi trebalo da bude odobren. Sistem dijeli kredite u tri vrste:
(1) krediti koji će vjerovatno biti odobreni, (2) krediti koji vjerovatno neće biti odobreni i (3)
krediti koji pripadaju tzv. sivoj zoni. Krediti koji vjerovatno neće biti odobreni pripadaju vrsti
za koje se unaprijed odlučuje da ne treba da se radi potpuna studija čime se postižu velike
uštede. Kredite koji će vjerovatno biti odobreni mogu da se prate vjerovatnoćom da će
troškovi biti pokriveni. Prediktor (dio sistema koji se bavi predviñanjem) preporučuje da
kredite u sivom području razmotri kreditni ekspert banke da bi odredio da li da se nastavi sa
potpunom studijom. Osim toga sistem za automatizaciju znanja preporučuje i odgovarajuće
najbolje izvore za potencijalne kredite evaluacijom više uslova koji su vezani za svaki kredit.
Primjenjuje se širok dijapazon razvojnih tehnika koje obuhvataju fazu prikupljanja znanja i
modeliranje odlučivanja da bi se ustanovili faktori vjerovatnoće (faktori povjerenja) u toku
generisanja pravila.
3.4 Projektovanje ekspertnih sistema Projektovanje ekspertnih sistema nije standardan i potpun niz uzastopnih akcija kojih
se pridržavaju svi kreatori ekspertnih sistema. Svaki ekspertni sistem ima svoje jedinstvene
osobenosti i svaka grupa projektanata provodi svoj sopstveni postupak u razvojnoj
157 www.exsyssoftware.com/Commercial Loan Approval Predictor - Micro Support, Inc.
116
proceduri.158 Ekspertni sistem je u suštini računarski softver, odnosno informacioni sistem
tako da njegovo projektovanje prati proces projektovanja softvera i informacionih sistema
uopšte. Prilikom izgradnje ekspertnog sistema moguće je realizovati ideju brzog prototipa
koja obuhvata istovremeno izvršavanje faza analize, dizajna i implementacije i koje se
ponavljaju u kratkim vremenskim ciklusima. Projektovanje sistema pomoću prototipa poznato
je kao iterativno projektovanje ili evolucioni razvoj. To je metodologija koja se, obično,
najviše koristi pri izgradnji sistema za podršku odlučivanju. Jedna od njenih prednosti jeste da
donosioci odluka i korisnici saznaju više o problemu koji nastoje da riješe dok primjenjuju
proces pomoću prototipa. Korišćenje metodologije izgradnje ekspertnog sistema pomoću
prototipa obuhvata šest osnovnih etapa:159
1. pokretanje projekta,
2. analiza sistema i dizajn,
3. brza izgradnja i demonstracija prototipa,
4. projektovanje sistema,
5. implementacija,
6. postimplementacija.
Etape projektovanja ekspertnog sistema (slika 3.9), obuhvataju više detalja.
Meñutim, može se zaključiti da je od osnovnih ideja inteligentnog rješavanja problema do
konstruisanja ekspertnog sistema za potrebe odreñene vrste poslovanja, posebno poslovnog
odlučivanja, veoma dug put. Zbog toga za izgradnju ekspertnih sistema za potrebe poslovnih
sistema treba posebno detaljno razraditi sve faze projektovanja.160 Prilikom projektovanja
ekspertnih sistema mogući su sljedeći koraci:161 (1) identifikacija problema i odreñivanje
koncepta za prikazivanje znanja, (2) dizajniranje strukture za organizovanje znanja,
implementacija i formulacija pravila za prikazivanje znanja i (3) testiranje sistema i
ustanovljavanje validnosti pravila koja predstavljaju znanje. Očigledno je da ovakav pristup
najveći značaj daje prikazivanju, organizovanju i testiranju validnosti znanja.
158 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, p. 246. 159 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 633. 160 Stankić, R. 2005. Informatika. Brčko: Ekonomski fakultet, str. 64-65. 161 Isto, str. 65.
117
Prilikom izgradnje softverskog dijela ekspertnog sistema moguća su dva pristupa:162
(1) razvijanje programa na bazi specijalizovanih programskih jezika (LISP, PROLOG i dr.) za
manipulaciju simbolima i (2) izgradnja prototipa.
Izgradnjom prototipa sistem bira pravila koja je ustanovio ekspert ili korisnik, pa ih
zajedno sa dobijenim rezultatima vraća u bazu znanja što čini osnov samoučenja sistema i na
taj način približava ga vještačkoj inteligenciji. Informacije u bazi znanja definisane su kao
različita mišljenja ili, u slučaju determinističkih mišljenja, zaključci se zasnivaju na teoriji
vjerovatnoće, teoriji modeliranja i simulaciji ili nekom drugom konceptu.163
Za izgradnju ekspertnog sistema pomoću prototipa, kao što je već navedeno,
zagovara se pristup brzog prototipa i izgradnja demonstracionog prototipa koji, u slučaju
ekspertnog sistema zasnovanog na pravilima, može da obuhvati svega 10 do 50 pravila i može
da se izgradi pomoću ljuske ili kostura (shell164). Mali broj pravila dovoljan je da se dobiju
ograničene konsultacije i testira probna koncepcija ekspertnog sistema.
Proces projektovanja ekspertnog sistema (slika 3.9) sadrži i odreñene probleme.
Glavni problem vezan za taj proces jeste kompleksnost procesa projektovanja, koja za
posljedicu ima veliko trošenje vremena prilikom projektovanja. Trošenje vremena i ekstremna
kompleksnost procesa projektovanja ekspertnog sistema karakterišu dva važna faktora:
involviranost nekoliko ljudi koji dolaze iz brojnih i različitih specijalnosti i potreba donošenja
odluka koje se tiču finansijskog, socijalnog i tehničkog aspekta.165 Meñutim, kao što se na
slici vidi proces projektovanja počinje brojnim pitanjima na koja se traže odgovori.
Najvažnija pitanja su da li problem može da se riješi pomoću ekspertnog sistema, da li postoji
ekspert u datoj oblasti i da li sistem može da ispuni zahtjeve korisnika. Ako bilo koje od
pitanja daje negativan odgovor projektni zadatak se prekida tako da se problem redefiniše ili
se bira neki drugi problem koji može da se riješi pomoću ekspertnog sistema.
Najbitniju ulogu u cjelokupnom procesu projektovanja ekspertnog sistema igraju
ekspert iz oblasti rješavanja problema i inženjer znanja. Posao inženjera znanja može da se 162 Isto, str. 75. 163 Stankić, R. 2005. Informatika. Brčko: Ekonomski fakultet, str. 65. 164 Shell (ljuska, okosnica, kostur) - softver za projektovanje sistema koji se sastoji od osnovne strukture sistema
bez detalja povezanih s odreñenim problemom. Kompletan ekspertni sistem sastavljen je od njegovog konkretnog znanja. U sistemima koji se zasnivaju na pravilima to je vrsta alata za projektovanje ekspertnog sistema koji se sastoji od dva samostalna dijela softvera - menadžera koji upravlja skupom pravila i mehanizma zaključivanja koji ima mogućnost rezonovanja pomoću skupa pravila koje gradi menadžer tih pravila. (Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 862 (Glossary)).
165 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht: Kluwer Academic Publishers Group, pp. 246-247.
118
definiše kao vještina povezivanja principa i alata istraživanja vještačke inteligencije tako da se
na taj način obezbijede solucije za grubu aplikaciju rješavanja problema i ponudi rješenje za
koje je potrebno specijalizovano znanje.166
Tehnički aspekti otkrivanja, predstavljanja i adekvatnog korišćenja znanja pri
konstrukciji i objašnjavanju rezonovanja dio je odgovornosti inženjera znanja i jedan od
vitalnih problema u projektovanju sistema koji se zasnivaju na znanju. Da bi mogao da
kompletira svoj posao inženjer znanja mora da bude snabdjeven znanjem koje može da se
dobije od eksperata, iz knjiga, baza podataka, izvještaja i drugih izvora.167
Nakon istraživanja potencijalnih mogućnosti projektovanja ekspertnog sistema za
rješavanje problema proces projektovanja nastavlja se konceptualnim dizajniranjem sistema i
upravlja njegovom konstrukcionom studijom izvodljivosti.
Konceptualno dizajniranje sistema obezbjeñuje opštu zamisao za sistem, njegove
namjene i njegove buduće mogućnosti. U studiji izvodljivosti razmatraju se, pored ostalih
parametara, sljedeće finansijske, upravljačke i tehničke mogućnosti kompanije:168
- troškovi projektovanja sistema,
- očekivana dobit za kompaniju od projektovanja ekspertnog sistema,
- organizaciona struktura kompanije,
- troškovi održavanja sistema,
- funkcionisanje sistema u mrežnom okruženju,
- bezbjednost funkcionisanja sistema,
- raspoloživi hardver i softver,
- kompatibilnost sa postojećim sistemima,
- postojanje eksperta iz odreñenog područja i inženjera znanja i dr.
166 Feigenbaum, E., McCorduck, P. 1983. The Fifth Generation. Reading. MA:Addison-Wesley. Navedeno iz:
Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht: Kluwer Academic Publishers Group, p. 248.
167 Klein, G. A. 1990. "Knowledge Engineering: Beyond Expert Systems." Information and Decision Technologies. No. 16, pp. 27-41.
168 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht: Kluwer Academic Publishers Group, p. 249.
119
Slika 3.9 Etape projektovanja ekspertnih sistema
Izvor: Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht: Kluwer Academic Publishers Group, p. 247.
Formiranje radnog tima
Sistemska analiza - idejni projekat
Pitanja na koja se mora odgovoriti: � Da li se problem može riješiti pomoću ES? � Da li postoji ekspert znanja u datoj oblasti? � Da li sistem može da udovolji našim zahtjevima?
Studija izvodljivosti
Faktori o kojima se raspravlja:
� Finansijske, upravljačke i tehničke mogućnosti preduzeća. � Osnovni razlozi projektovanja ES. � Postojanje eksperta u oblasti i inženjera znanja?
Identifikacija problema Definisanje problema
Odluka da se projektuje ekspertni sistem
Tehnološka i finansijska konstrukcija projektovanja sistema Specifikacija zahtjeva sistema
Izbor softvera i hardvera za projektovanje sistema
Projektovanje sistema
Implementacija sistema Proces prikupljanja i predstavljanja znanja
Kontrola i provjerava rezonovanja sistema
Integracija, instalacija, dokumentacija
Obuka korisnika
Adaptacija i unapređivanje
Prekid projektovanja
120
Izvršavanje zadataka iz studije izvodljivosti, kako je to prikazano na slici 3.9, vodi ka
identifikaciji i determinisanju problema, a zatim do odluke da li da se nastavi sa
implementacijom sistema ili da se prekine proces projektovanja. Odluke koje se u vezi s tim
donose obuhvataju sljedeća pitanja:169
- izbor i nabavka hardvera u koji će se instalisati ekspertni sistem,
- izbor i nabavka softvera za projektovanje ekspertnog sistema.
Proces projektovanja nastavlja se analitičkim dizajnom sistema u kojem učestvuju i
sarañuju naučnici iz oblasti informacionih nauka, inženjer znanja i ekspert iz odreñene oblasti.
Na početku projektuje se sistem u malim razmjerama (prototip) koji sadrži sve osnovne
dijelove ekspertnog sistema, ali samo mali i reprezentativni dio otkrivenog znanja.170
Projektovanje ekspertnog sistema pomoću prototipa obezbjeñuje značajne
prednosti:171
- kontrola odgovarajućeg funkcionisanja različitih komponenti sistema,
- kontrola i evaluacija baze znanja sistema i
- demonstracija sistema svim zainteresovanim stranama koje mogu da daju
komentare i prijedloge.
Kada sistem proñe sva testiranja, uz mogućnost ponavljanja izvjesnih koraka da bi se
otklonili eventualni problemi i odstupanja od projekta, sljedeća faza projektovanja je
integracija sistema koja se može shvatiti kao proces koji se razvija od početne faze
projektovanja ekspertnog sistema, pa sve do instalacije. Integrisani sistem testira se i ocjenjuje
za vrijeme njegovog projektovanja, a takoñe i za vrijeme njegovog funkcionisanja u realnom
radnom okruženju.172 Nakon što sistem dobije svoj finalni oblik instalira se na radni prostor, a
u isto vrijeme kompletiraju se odgovarajuća dokumenta.
Nakon integracije, instalisanja i izrade odgovarajuće dokumentacije pristupa se obuci
korisnika koja može da započne od početka projektovanja sistema. Štaviše, preporučuje se da
se krajnji korisnik uključi u projektovanje ekspertnog sistema u najranijoj fazi.
U projektovanje ekspertnog sistema za podršku poslovnom odlučivanju neophodno je da se
uključe menadžeri svih nivoa upravljanja kako bi dali pun doprinos boljem funkcionisanju
169 Ibid, p. 250. 170 Cholawsky, E. M. 1988. Beating the Prototype Blues. AI Expert. Vol. 3. No. 12, pp. 42-49. 171 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, p. 250. 172 Smith, D. L. 1998 (December). Implementing Real World Expert Systems. AI Expert. Navedeno iz Matsatsinis,
N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht: Kluwer Academic Publishers Group, p. 250.
121
ekspertnog sistema, a posebno formiranju, dopunjavanju i obnavljanju baze znanja tokom
cjelokupnog životnog vijeka sistema.
Krajnja faza projektovanja ekspertnog sistema jeste njegova adaptacija i
unapreñivanje kako bi mogao da udovolji naraslim potrebama korisnika. U tom smislu
ekspertni sistem treba posmatrati kao živi organizam koji na najbolji način može da se
prilagodi zahtjevima krajnjeg korisnika. Održavanje sistema u vezi je s pojavom eventualnih
problema za vrijeme njegovog funkcionisanja. Posljednje faze projektovanja ekspertnog
sistema: održavanje, adaptacija, prihvatanje od strane korisnika i usavršavanje ne završavaju
se sve dok ekspertni sistem funkcioniše.
Nakon postizanja dogovora o saradnji s ekspertom projektant ekspertnog sistema bira
odgovarajuće okruženje projektovanja ekspertnog sistema. navode da su Na raspolaganju su
tri alternative:173 (1) kostur ekspertnog sistema, projektni (programski) jezici i hibridno
okruženje. Pored toga, mogu se dodati i posebni pomoćni alati, konvencionalni programski
jezici (C, Fortran, Pascal i Basic) i posebni ekspertni sistemi usmjereni na specijalizovane
predmete obrade.174
Ljuske ili kosturi ekspertnih sistema (ES Shells)175 su softverski paketi koji imaju
većinu neophodnih mehanizama za izgradnju ekspertnih sistema i koji obuhvataju: ugrañeni
mehanizam zaključivanja i raznovrsne funkcije korisničkog interfejsa, ali isporučilac
obezbjeñuje praznu bazu znanja. Kada se znanje (najčešće u vidu činjenica i pravila) unese u
bazu znanja sistem postaje funkcionalan. Primjer takvog ekspertnog sistema jeste EXSYS-ov
CORVID176 koji može da funkcioniše nakon unošenja pravila i činjenica u bazu znanja koja
se isporučuje prazna. Na slici 3.10 prikazan je osnovni koncept ekspertnog sistema u obliku
ljuske (kostura). Ostali primjeri kostura i okruženja za izgradnju ekspertnih sistema su177: 1st
CLASS, ESE, Nexpert, Level5, ART, Level5 Object, Visual Rule Studio, Jess i sl.
Konvencionalni programski jezici (C, Fortran, Pascal i Basic) i programski jezici
orijentisani na vještačku inteligenciju (LISP i PROLOG)178, odnosno programski jezici
173 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, pp.
636-637. 174 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, p. 251. 175 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 636. 176 www.exsys.com 177 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, p. 251. 178 Ibid, p. 251.
122
visokog nivoa, koji se nazivaju i jezici pete generacije (5GLs), mogu da posluže za
projektovanje ekspertnog sistema.
Slika 3.10 Kostur (shell) za izgradnju ekspertnog sistema
Izvor: (prilagoñeno) Turban, E. et. al. 2005. Decision Support Systems and Intelligent
Systems. N.J.: Pearson Prentice Hall, p. 636.
Hibridno okruženje i hibridni sistemi obuhvataju raznovrsne pomoćne i alate
podrške, kao i programske jezike za najbrže projektovanje kostura ekspertnih sistema i
posebnih ekspertnih sistema (npr. ART, KEE, Nexpert Object)179. Iz hibridnog sistema, koji
se naziva i toolkit180, pomoću znanja, može da se odabere odgovarajući alat za odgovarajući
zadatak.181
Na slici 3.11 prikazani su alati za projektovanje ekspertnih sistema. Linije pokazuju
različite mogućnosti projektovanja ekspertnih sistema.
Kao što se na slici 3.11 vidi kosturi i različite vrste ekspertnih sistema mogu da se
projektuju korišćenjem raznih alata. Hibridni ekspertni sistemi i kosturi (shells) mogu da se
projektuju pomoću programskih jezika i pomoćnih alata, dok se prilikom projektovanja
specijalnih ekspertnih sistema mogu koristiti programski jezici, kosturi i hibridni ekspertni
sistemi. Drugim riječima, različite konfiguracije i alati, koji se meñusobno dopunjavaju, mogu
da se upotrebljavaju prilikom projektovanja ekspertnih sistema. Meñutim, ekspertni sistemi
mogu da se projektuju i za različite platforme slika 3.12.
179 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, p. 251. 180 toolkit - kutija alata, kolekcija softverskih jedinica (elemenata) koja pomaže projektantu sistema. 181 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 637.
Baza znanja
(pravila)
Menadžer za
konsultacije
Editor i korektor
baze znanja
Program za
objašnjavanje
Mehanizam zaključivanja
Ureñaji za upravljanje
bazom znanja
Shell (kostur, ljuska)
123
Slika 3.11 Alati za projektovanje ekspertnih sistema
Programski jezici
Pomoćni alati Hibridni sistemi
Shells konfiguracija (kosturi, ljuske)
Specijalni ekspertni sistemi
Izvor: Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht: Kluwer Academic Publishers Group, p. 251.
Prema istraživanjima Walkera182 najviše ekspertnih sistema projektovano je za
personalne računare (62%), a pri tome se najviše upotrebljavao pristup projektovanju pomoću
kostura (45%). Kosturi su vjerovatno najjednostavniji alati za izgradnju ekspertnih sistema, a
mogu se podijeliti na opšte i na kosture za posebna područja primjene. Prilikom izbora
kostura za izgradnju ekspertnog sistema mora se voditi računa o činjenici da li oni mogu
pravilno da odgovore na posebne karakteristike problema koji se rješava uključujući i
objašnjavanja i mogućnost njihovog povezivanja sa bazama podataka i drugim sistemima.
Kosturi imaju odreñena ograničenja i nedostatke. S obzirom na njihovu neelastičnost
teško ih je prilagoditi nestandardnim problemima i zadacima, pogotovo ako se radi o
rješavanju problema poslovnog odlučivanja u kojem se uglavnom radi o nestrukturiranim i
plustrukturiranim problemima. Da bi riješio problem projektant sistema, prilikom izgradnje
aplikacije, može da se koristi sa nekoliko kostura, konfiguracija ili drugih alata. Ovo može da
izazove probleme kad god se nadograñuje softverski paket ili prilikom obuke i održavanja
sistema. Kosturi su alati za krajnjeg korisnika, slično generatorima sistema za podršku
odlučivanju, pa je način njihovog korišćenja poseban za sve probleme kompjuterizacije
182 Walker, A. 1996. Knowledge Systems: Principles and Practice. McGraw-Hill. Navedeno iz: Matsatsinis, N. F.
and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht: Kluwer Academic Publishers Group, pp. 251-252.
124
krajnjeg korisnika: oskudna dokumentacija, sigurnost, projektovanje neodgovarajućih metoda,
korišćenje zastarjelim podacima i znanjem, neodgovarajuće održavanje itd.183
Slika 3.12 Platforme i programski alati za projektovanje ES
Izvor: (prilagoñeno) Walker, A. 1996. Knowledge Systems: Principles and Practice. McGraw-Hill. Navedeno iz: Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht: Kluwer Academic Publishers Group, p. 252.
Bez obzira na ograničenja kosturi su u najvećoj mjeri pogodni, pa ih koriste mnoge
organizacije. U nekim slučajevima oni se upotrebljavaju, prije svega, za obuku ili kao polazni
alat u ciklusu metode prototipa u kojoj se koristi kostur za brzo generisanje kôda.
Na tržištu postoji malo alata za izgradnju ekspertnih sistema koji se odnose na
posebna područja primjene. Neki od tih alata su PlanWrite za projektovanje biznis plana184,
SalesPerformer i e-ServicePerformer firme Firepond185, a poneki uključuju ugrañeno znanje
kao što je Knowledge Library na Ask.Me OnLine186.
183 Ibid, p. 637. 184 www.brs-inc.com 185 www. firepond.com 186 www.amol.com
PLATFORME ZA PROJEKTOVANJE ES
6 2 %2 3 %
8 %
7 % PC
Radna stanica
Mini računar
Mainframe
PROGRAMSKI ALATI ZA PROJEKTOVANJE ES
4 5 %
2 5 %
1 5 %
1 0%
5 %
Shell
Prolog
Lisp
Ops
Ostali
125
3.5 Prikupljanje, kreiranje i predstavljanje znanja
3.5.1 Izvori znanja
Najvažniji faktor u sticanju znanja jeste ekstrakcija znanja iz izvora ekspertiza i
njegov prenos u baze znanja i odatle, po potrebi, ka mehanizmu zaključivanja. Prikupljanje
znanja obavlja se u toku cijelog procesa projektovanja ekspertnog sistema i drugih sistema
koji se zasnivaju na znanju iz baza znanja i drugih izvora. Različite vrste znanja prikazane su
na slici 3.13, a na slici 3.14 različite vrste znanja koje može da bude smješteno i predstavljeno
u bazi znanja.
Slika 3.13 Opšte vrste znanja
Izvor: Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht: Kluwer Academic Publishers Group, p. 232.
Znanje može da se prikuplja iz različitih izvora, kao što su knjige, filmovi,
računarske baze podataka, slike, mape, dijagrami toka, priče, senzori, pjesme, pa čak i
posmatrano ponašanje. Izvori se mogu podijeliti u dvije vrste: dokumentovano i
nedokumentovano znanje. Nedokumentovano znanje smješteno je u ljudskom mišljenju.
Znanje može da se identifikuje i prikuplja pomoću jednog ili nekoliko ljudskih čula. Ono
može takoñe da se identifikuje i prikuplja pomoću mašina (senzora, skenera, prepoznavanja
uzoraka, inteligentnih agenata itd.) 187
187 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prent. Hall, p. 637.
126
Slika 3.14 Vrste znanja koje može da se predstavi u bazi znanja
Opisi ponašanja i uvjerenja
Jezičke definicije
Objekti i relacije
Heuristike i pravila odlučivanja
Procedure za rješavanje problema
Karakteristične situacije
Neizvjesne činjenice
Procesi
Ograničenja
Činjenice o području
Disjunktivne činjenice
Opšte znanje
Znanje o znanju (metaznanje)
Baza znanja
Hipoteze (teorije)
Izvor: Turban, E. et. al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 580.
3.5.2 Proces prikupljanja znanja
Proces prikupljanja znanja odvija se u četiri osnovne etape188: (1) izbor, (2)
otkrivanje, (3) kompletiranje i (4) provjeravanje. Prva etapa obuhvata izbor problema koji će
biti riješen, zatim odreñivanje njegovih glavnih karakteristika i na kraju objašnjavanje i
determinisanje koncepcija i relacija kojima će se koristiti prilikom predstavljanja znanja.189
Etapa otkrivanja znanja od jednog ili nekoliko eksperata u početku uključuje otkrivanje, a
zatim prikupljanje znanja u toku kojeg inženjer znanja otkriveno znanje organizuje i
predstavlja u odgovarajućoj formi da bi bilo dostupno prilikom projektovanja ekspertnog
sistema. U fazi kompletiranja prikupljeno znanje se inkorporira u ekspertni sistem, s obzirom
da je već u ranijim fazama prilagoñeno i formirano tako da ekspertni sistem može njime da se
koristi. Proces prikupljanja znanja obuhvata i neophodne kontrole u vezi s evaluacijom,
potvrñivanjem validnosti i verifikacijom prikupljenog znanja.
188 Doukidis, G. I. , Whitlea, E. 1988. Developing Expert Systems. Chartwell-Bratt. Navedeno iz: Matsatsinis, N.
F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht: Kluwer Academic Publishers Group, pp. 233-234.
189 Hayes-Roth, F. 1984 (September). The Knowledge-Based Expert Systems: A Tutorial. IEEE Computer, pp. 11-28.
127
Znanje može da se otkriva: (1) pomoću ručnih metoda, (2) uz pomoć računara i
interaktivno.190 Metode otkrivanja znanja dijele se na ručne, poluautomatske i automatske.191
Pomoću ručnih metoda otkriva se neevidentirano i evidentirano znanje.192
Neevidentirano znanje može da se otkrije pomoću ličnih intervjua, posmatranja načina rada
eksperta za vrijeme procesa rješavanja problema i popunjavanjem posebnog anketnog listića
ili prikaza od strane eksperata. Evidentirano znanje obuhvata znanje iz baza podataka, knjiga,
naučnih časopisa i sl.
Prilikom korišćenja manuelnih metoda inženjer znanja otkriva znanje od eksperta ili
drugih izvora, a zatim ga kodira u bazu znanja. Tri osnovne metode su intervjuisanje
(strukturirano, polustrukturirano i nestrukturirano), praćenje procesa rezonovanja i metoda
posmatranja. Ručne metode su spore, skupe i ponekada daju netačne rezultate. Zbog toga
postoji tendencija da se proces što je moguće više automatizuje.193
S obzirom na to da je prikupljanje znanja od eksperta u najvećoj mjeri direktan
kontakt s ekspertom, smatra se da je lični intervju najadekvatnija metoda prikupljanja
informacija i znanja od eksperta.
Lični intervju ili lično ispitivanje194, najrasprostranjeniji vid ispitivanja, ostvaruje se
neposrednim kontaktom anketara i respondenta. Rezultate razgovora sa ispitanikom
intervjuista upisuje u unaprijed pripremljen upitnik ili ispitanik sam upisuje odgovore na
štampani obrazac ili na monitor računara u slučaju obavljanja ličnog intervjua pomoću
računara (CAPI).
Postoje dvije osnovne vrste intervjua: nestrukturirani (neformalni) i strukturirani
intervjui. I jedni i drugi mogu biti direktni i indirektni, zavisno od toga da li intervjuista
ispitaniku (ekspertu) postavlja pitanja direktno, bez prikrivanja ciljeva istraživanja ili
indirektni ako se ispitaniku ne saopštava šta se intervjuom želi postići. Pri prikupljanju znanja
za potrebe baze znanja ekspertnog sistema veoma je važno da se ispitaniku (ekspertu) objasni
šta se želi postići, pa se prilikom prikupljanja znanja mora koristiti direktni intervju.
190 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, pp. 234-235. 191 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, pp.
585-586. 192 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, pp. 234-235. 193 Ibid, p. 585. 194 Hanić, H. 2003. Istraživanje tržišta i marketing informacioni sistemi. Beograd: Ekonomski fakultet,
str. 261-262.
128
Ličnim intervjuisanjem mogu se prikupljati primarni podaci o činjenicama,
mišljenjima, osjećanjima, stavovima, namjerama, motivima i dr. Intervju može da se realizuje
na bazi unaprijed sastavljenih upitnika sa strogo formulisanim (visoko strukturiranim)
pitanjima i njihovim redoslijedom, pa je riječ o strukturiranom intervjuu, za razliku od
nestrukturiranog intervjua u kojem postoji sloboda intervjuiste u izboru otvorenih
(nestrukturiranih) pitanja i redoslijeda njihovog postavljanja.195
Od ostalih manuelnih metoda za otkrivanje znanja od eksperata mogu se navesti:196
analiza slučajeva, analiza kritičnih dogañaja, diskusije sa korisnicima, objašnjenja,
konceptualni grafikoni i modeli, brainstorming, metoda prototipa, višedimenzionalno
skaliranje, Džonsonovo hijerarhijsko klasterisanje (Johnson's hierarchical clustering) i
kontinuirano istraživanje performansi.
Prilikom primjene metode analize slučajeva od eksperata se traži da objasne način
ponašanja u vezi sa karakterističnim slučajevima u prošlosti. Ova metoda obično obuhvata
analiziranje dokumentacije. Pored eksperata mogu se ispitati menadžeri i korisnici.
U pristupu metodi analize kritičnih dogañaja istražuju se samo odabrani slučajevi,
obično oni koji se po nečemu pamte, teški ili slučajevi sa posebnim interesovanjem. Mogu se
ispitivati i eksperti i osobe koje nisu eksperti iz odreñene oblasti.
Diskusije s korisnicima. Iako korisnici nisu eksperti oni ipak moraju da budu
upoznati s odreñenim aspektima problema. S obzirom na činjenicu da ekspert, ponekada,
može da bude nedovoljno obaviješten o potrebama korisnika oni mogu da mu ukažu na
područja u kojima im je potrebna pomoć.
Objašnjenja. Pomoću ove metode inženjer znanja traži od eksperta objašnjenja o
tome šta on zapravo radi. Ova metoda može da bude podržana videokasetom eksperta u toku
rada ili da se od posmatrača traže objašnjenja o radu eksperta.
Dijagrami i druge grafičke metode mogu da doprinesu podršci drugih metoda
prikupljanja znanja. Konceptualni model može da se koristi da bi se opisao način i vrijeme
ulaska znanja eksperta "u igru" i ekspertni sistem počeo da izvršava svoje zadatke.
Brainstorming se koristi da bi se dobilo mišljenje više eksperata i, kao i u DSS
sistemima, može da posluži za generisanje ideja. Takoñe može da se koristi i elektronski
brainstorming uključujući i table koje su implementirane kao elektronske "bijele" table. 195 Isto, str. 262. 196 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, pp.
585-586.
129
Veoma snažni alati za voñenje daljinskih sesija prikupljanja znanja predstavljaju dva odskora
dostupna softverska paketa: (1) Microsoft Netmeeting MSN Messenger197 i (2) unutrašnji
konferencijski program koji je projektovao Univerzitet u Vašingtonu198.
Veoma prihvatljiv način koji omogućava da eksperti svojim znanjem doprinesu
razvoju sistema jeste primjena prototipa. Praćenjem funkcionisanja prototipa eksperti mogu
odmah da izvrše odgovarajuće promjene.
Kompleksna tehnika višedimenzionalnog skaliranja identifikuje brojne dimenzije
znanja i smješta znanje u obliku matrice udaljenosti. Brojne dimenzije znanja analiziraju se,
interpretiraju i integrišu pomoću metode najmanjih kvadrata.
Džonsonovo hijerarhijsko klasterisanje (Johnson's hierarchical clustering)
predstavlja drugačiju i jednostavniju metodu skaliranja od višedimenzionalne metode, koja se,
prema tome, češće primjenjuje. Ona kombinuje povezane elemente znanja u klastere (dva
elementa u isto vrijeme).
S obzirom na to da je projektovanje ekspertnog sistema kontinuiran proces sve
navedene metode mogu da se primijene iterativno u toku projektovanja sistema. Sve te
metode zajedno čine kontinuirano ispitivanje performansi i imaju za cilj stalno poboljšavanje
sistema i njegove baze znanja.
Znanje može da se otkriva korišćenjem posebnih programa čije se procedure
izvršavaju bez ikakvog ili sa veoma malim učešćem eksperta. Ovi programi u potpunosti ne
automatizuju proces prikupljanja znanja, pa se mogu smatrati poluautomatskim metodama
otkrivanja znanja. Nekoliko ovih programa zasniva se na saznanjima psihologije, odnosno
teorije izgradnje ličnosti kao što su sistem za prenos ekspertize (ETS), AQUINAS i dr. Sistem
za prenos ekspertize je računarski program koji intervjuiše eksperte i pomaže prilikom
izgradnje ekspertnih sistema. ETS intervjuiše eksperte da bi se otkrili zaključci iz bogatstva
riječi, obilježja rješavanja problema, karakteristične strukture, obilježja važnosti i
nekonzistentnosti. Korišćen je za brzo kreiranje prototipa (često za manje od dva sata za vrlo
male ekspertne sisteme), za pomoć ekspertu u odreñivanju da li ima dovoljno znanja za
rješavanje problema i za kreiranje baze znanja za niz različitih kostura ekspertnog sistema iz
njihovog vlastitog internog predstavljanja. AQUINAS je vrlo složen alat koji proširuje
mogućnosti rješavanja problema i predstavljanja znanja ETS-a omogućavanjem da eksperti
197 www.msn.com 198 www.engr.washington.edu/edge/homemeeting.html
130
strukturiraju znanje u hijerarhiju. Da bi se ekspertu iz odreñene oblasti i inženjeru znanja
obezbijedile smjernice u procesu prikupljanja znanja definisan je skup heuristika i ugrañen u
AQUINAS-ov podsistem Dialog Manager. 199
Da bi otkrili znanje inženjeri znanja koriste se kombinacijom manuelnih metoda i
kompjuterskih alata, pa se može govoriti o interaktivnom prikupljanju znanja. Neki od tih
alata su komunikacioni sistemi, sistemi za pribavljanje objašnjenja, sistemi za prenos
ekspertize, sistemi za kontrolu baza znanja itd.200 Enquire Within, WebGrid i Circumgrids su
programi za interaktivno prikupljanje znanja.201
Enquire Within je direktni (on-line) interaktivni softverski alat za crtanje grafikona i
objašnjavanje ideja i percepcija koji se zasniva na različitim tehnikama intervjua, dok je
WebGrid202 jedan od prvih alata za prikupljanje znanja čiji se rad zasniva na Web-u i koji
unapreñuje saradnju u procesu prikupljanja znanja. Postoje, takoñe, programski paketi koji se
koriste metodama klasterske i faktorske analize ili analize glavnih komponenti. Jedan od
takvih paketa je Circumgrids.203
3.5.3 Inženjering znanja
Proces prikupljanja znanja od eksperata i izgradnja baze znanja poznat je pod
nazivom inženjering znanja koji može da se posmatra sa užeg i šireg aspekta.204
U užem smislu inženjering znanja obuhvata prikupljanje, predstavljanje, provjeravanje,
zaključivanje i održavanje znanja (slika 3.15). Nasuprot tome širi aspekt odnosi se na
cjelokupni proces projektovanja i održavanja inteligentnih sistema.
S obzirom na to da znanje koje posjeduju eksperti vrlo često nije strukturirano i
eksplicitno iskazano osnovni cilj inženjeringa znanja jeste da pomogne ekspertima da
artikulišu svoje znanje i da dokumentuju znanje u obliku u kojem ono može da se koristi.205
199 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prent. Hall, p. 577. 200 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, pp. 234-235. 201 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, pp.
591-593. 202 www.tiger.cpsc.ucalgary.ca/WebGrid/WebGrid.html 203 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 593. 204 Ibid, pp. 591-593. 205 Ibid, p. 577.
131
Slika 3.15 Proces inženjeringa znanja
Izvor: Turban, E. et. al. 2005. Decision Support Systems and Intelligent Systems.
N. J.: Pearson Prentice Hall, p. 578.
Proces inženjeringa znanja (slika 3.15) sastoji se od pet osnovnih aktivnosti.206
Prikupljanje znanja je aktivnost koja se odnosi na prikupljanje znanja od eksperata,
iz knjiga i dokumenata, od senzora ili kompjuterskih fajlova. Znanje može da bude specifično
i da se odnosi na područje rješavanja problema ili na procedure rješavanja problema, ono
može da bude opšte znanje (npr. znanje o poslovanju) ili metaznanje (znanje o znanju).
Prikupljanje znanja često je usko grlo u projektovanju ekspertnog sistema.207
Predstavljanje znanja. Znanje koje je ekspert otkrio mora da bude organizovano i
predstavljeno na odgovarajući način tako da postane očigledno za ekspertni sistem i eksperta.
Znanje koje je povezano sa procedurama rješavanja posebnih problema je srodnije i alocirano
je u mehanizmu zaključivanja, dok je znanje koje je povezano sa posebnim problemom
specifično, pa je, prema tome, smješteno u bazi znanja sistema.208
Provjera validnosti znanja vrši se testovima slučajeva sve dok kvalitet znanja ne
bude prihvatljiv. Rezultati testiranja slučaja obično se pokazuju ekspertu da bi provjerio
tačnost funkcionisanja ekspertnog sistema. 209
206 Ibid, pp. 577-579. 207 Byrd, T. A. 1995. "Expert Systems Implementation: Interviews with Knowledge Engineers". Industrial
Management and Data Systems. Vol. 95. No. 10. 208 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, p. 235. 209 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 578.
Provjeravanje znanja
(testiranje slučajeva)
Baza znanja
Izvoñenje zaključaka
Objašnjavanje
Izvori znanja (eksperti, drugi izvori)
Predstavljanje znanja
Prikupljanje znanja
Kodiranje
132
Izrada mehanizma zaključivanja. Ova aktivnost obuhvata dizajniranje softvera
koji omogućava da računar izvodi zaključke koji se zasnivaju na znanju i specifičnostima
problema tako da sistem može da obezbijedi savjet korisniku koji nije ekspert.210
U procesu pronalaženja rješenja mogu se koristiti dvije osnovne strategije koje treba
ugraditi u mehanizam zaključivanja. Prva alternativa jeste da se polazi od početnog stanja ka
finalnom stanju, a druga da se odabere reverzni način. Odluka o tome koja strategija da se
odabere zavisi od vrste dostupnih informacija i od željenog cilja. Veoma je važno da se
razmišlja o mogućnosti da se u nekim posebnim slučajevima koriste obje strategije zajedno.
Ta metoda poznata je kao dvosmjerno rezonovanje.211
Druga karakteristika tih strategija jeste mogućnost povratnog traganja (backtracking)
koje pokazuje mogućnost metode da se vrati na prethodnu fazu u slučaju kada je traženje
pogrešno. Obje strategije traženja rješenja koriste se istim pravilima, ali na različit način.212
Objašnjavanje i utvrñivanje razloga je zadnja faza u procesu inženjeringa znanja
koja obuhvata dizajniranje i programiranje mogućnosti objašnjavanja, odnosno programiranje
sposobnosti da se odgovara na pitanja kao što su zašto je računaru potrebna odreñena
pojedinačna informacija ili kako je računar izveo odreñeni zaključak.
Inženjeri znanja u interaktivnoj su vezi sa ekspertima ili dobijaju poznato znanje iz
drugih izvora u fazi sticanja znanja. Nakon prikupljenja znanje se kodira u reprezentativnu
šemu da bi se izgradila baza znanja. Inženjer znanja može da sarañuje sa ekspertima ili da se
koristi testom slučajeva da bi verifikovao i provjerio bazu znanja. Validno znanje može da se
upotrijebi u sistemima koji se zasnivaju na znanju za rješavanje problema pomoću mehanizma
zaključivanju i da se objasni ponuñena preporuka.
3.6 Internet - komunikacioni medijum i izvor znanja Zahvaljujući pojavi i stalnom usavršavanju Interneta moguć je pristup ne samo
velikoj količini i kvalitetnim informacijama već i velikoj količini kvalitetnog znanja
potrebnog, pored ostalog, i za donošenje poslovnih odluka. Prikupljanje, pristup i upravljanje
znanjem preko Interneta postalo je važno pitanje za konstruisanje i održavanje inteligentnih
sistema zasnovanih na bazama znanja, posebno zato što omogućavaju prikupljanje i
distribuiranje velike količine znanja u kratkom vremenu u organizaciji i u njenom okruženju.
210 Ibid, p. 578. 211 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, pp. 244-245. 212 Ibid, p. 245.
133
Standardne mogućnosti Interneta kao što su objavljivanje dokumenata sa tekstovima
i slikama i navigacija Web prostorom nisu u potpunisti ispunili očekivanja stvaralaca takve
tehnologije a ni korisnike Interneta iz poslovnih sistema, a naročito donosioce poslovnih
odluka koji traže dinamične, blagovremene i tačne informacije iz različitih izvora. Za
poslovne sisteme i donosioce poslovnih odluka potrebno je da Internet bude dinamičniji, sa
više interaktivnosti, da obuhvata aktivniji rad sa korisnicima i da omogući personalizaciju
sadržaja dokumenata objavljenih na mreži. Ostvarivanje tih ciljeva omogućavaju napredne
tehnologije Interneta koje, pored ostalog, omogućavaju i prenos datoteka sa multimedijskim
sadržajima koje su potrebne donosiocima poslovnih odluka da bi se problem odlučivanja
sagledao sa svih aspekata i donijela prava odluka.
Napredne tehnologije Interneta značajne za poslovno odlučivanje su: interaktivnost i
integracija informacija, multimediji i konferencijske tehnologije.
Interaktivnost na Internetu zahtijeva integraciju informacija i znanja iz različitih
izvora koji mogu da se povežu na više načina, a osnovni način jeste povezivanje sa podacima
drugih Web servera tako da se u Web stranice postavljaju URL adrese drugih Web
dokumenata koji su smješteni u bilo kojem dijelu svijeta. Do sadržaja tih dokumenata, koji
mogu biti od velike koristi za donosica odluka, može se doći aktiviranjem različitih načina
povezivanja, na primjer, hipervezom (hyperlink). Drugi način meñusobne integracije
informacija i znanja jeste mogućnost razmjene izmeñu Web servera podataka koji nisu obični
tekst već podaci i informacije smješteni u baze podataka i znanje smješteno u baze znanja.
Takvi programi, koji se nazivaju CGI bilješke, imaju kodirane pozive kao i poveznice u
HTML dokumentu i omogućavaju da se podaci, informacije i znanje, koje donosilac odluke
traži, automatski pretvaraju u HTML format kako bi donosilac odluke mogao da ih pregleda i
primijeni prilikom donošenja odluke. Programi, zajedno sa svojim instalacionim programom,
nalaze se na mreži tako da ih je jednostavno instalisati tehnikom poznatom pod nazivom
download. Dodatne mogućnosti Interneta (radio, TV, videosnimci, pretraživanje
trodimenzionalnih slika i dr.) olakšavaju proces donošenja odluka.
Infinity Pharmaceuticals, Inc. (Boston) povećao je brzinu razvoja lijekova
olakšavanjem procesa evaluacije novih hemikalija pomoću Web analiza u realnom vremenu.
Istraživačima je potrebno da stvaraju statističke modele o načinu ponašanja jedinjenja u
datom hemijskom ogledu. Korišćenjem različitih modela u realnom vremenu istraživači su
efektivniji i efikasniji. Za integraciju podataka baza hemijskih modela s eksternim izvorima,
kao što su baze podataka hemijskih jedinjenja, neophodan je odgovarajući interfejs. Zaposleni
134
u odjeljenju informacione tehnologije u Infinity-u rješavaju probleme interaktivnosti
izgradnjom sistema koji funkcioniše kao njegov aplikacioni model u realnom vremenu
korišćenjem Web usluga.
XML interfejsi kodiraju se u svaki program. Dizajniranje uključuje, takoñe,
standardizovani model metapodataka (podataka o podacima) pomoću kojeg Infinity kreira
svoje rječnike podataka. Spotfire.net (Spotfire Inc., Cambridge, Massachusetts) portali
analitike odlučivanja koriste se Web povezivanjem da bi obezbijedili zajednice naučnog
odlučivanja sa jedinstvenim radnim prostorom za pristup velikoj količini složenih hemijskih
struktura ili podataka genealoških izraza, vizualno istražuje i analizira te podatke i dijeli
rezultate. Spotfire.net automatski generiše interaktivne upite za brzo identifikovanje trendova,
anomalija, odstupanja i struktura. Istraživači posmatraju i upravljaju podacima u
trodimenzionalnoj formi biranjem različitih vrsta vizualizacije ili prikazivanjem višestrukih
varijabli na istom ekranu. Spotfire.net obezbjeñuje algoritme za data mining i osnovnim
statističkim analizama preko Web-a do korisničkog desktopa. To obuhvata analizu stabla
odlučivanja, hijerarhijsku klaster analizu i druga statistička izračunavanja. Veliki broj
jedinjenja mogu da se analiziraju i vizuelno prikažu za nekoliko sekunda.213
3.6.1 Interaktivne aplikacije sa Interneta
Internet − globalna svjetska mreža ne služi samo za prenos podataka u obliku
dokumenata, teksta, slike i zvuka, već ima i mogućnost primjene interaktivnih aplikacija,
jednostavnih za korišćenje, koje pružaju podršku odlučivanju i zadovoljavaju složene potrebe
poslovnih sistema. Takva rješenje omogućavaju integraciju Web stranica sa velikom
količinom podataka i znanja koje se nalazi u bazama podataka i bazama znanja iz okruženja
poslovnog sistema, tj. drugih poslovnih sistema i državnih institucija. Ovakve baze
predstavljaju značajne resurse za donošenje poslovnih, naročito strateških odluka.
Najčešći način upotrebe baza podataka pomoću tih aplikacija jeste primjena tzv.
dinamičkih stranica koje se stvaraju u realnom vremenu prema posebnom zahtjevu korisnika.
Alati za kreiranje takvih stranica su već pomenute CGI bilješke i posebni programi, na primjer
ColdFusion, koji omogućavaju pristup i automatsko razgledanje baza podataka u HTML
formatu.
213 Prilagoñeno prema: Hail, M. 2002 (April 1). "Web Analytics: Get Real.". Computer World, Vol. 36, No. 14,
pp. 42-43, Boguslavsky, J., 2000 (September)."Visualize Large Data Sets Online, "Researche & Development, Vol. 42, No. 9, p. 59. i Spotfire.net Web sites.
135
Pisanje bilješki (scripting), odnosno stvaranje dinamičkih dokumenata u momentu
kada korisnik, donosilac poslovne odluke, traži odreñeni dokument omogućava programiranje
za Web. Najraširenija tehnologija za stvaranje interaktivnih i dinamičkih Web stranica jeste
objektno-orijentisani programski jezik Java koji pored prenosa podataka omogućava i zaštitu
podataka i dodavanje kompaktnih i modularnih mini aplikacija (applets, apleti) HTML
stranicama.214 Takve aplikacije omogućavaju stvaranje različitih informacija iz različitih
izvora potrebnih za donošenje poslovnih odluka.
Multimediji kao što su slike, trodimenzionalni prikazi, zvuk preko radija i telefona,
video i Web kamere takoñe predstavljaju napredne Internet tehnologije koje unapreñuju
funkcionalnost poslovnog odlučivanja. Slike se mogu digitalizovati skeniranjem ili
korišćenjem digitalnog fotoaparata. Fotografije sklopova proizvoda i proizvoda u cjelini daju
bolju polaznu osnovu za donošenje odluke o unapreñivanju dizajna i funkcionalnosti
proizvoda. Zvučne tehnologije omogućavaju slušanje zvučnih datoteka prilikom njihovog
prenosa preko mreže. Takve tehnologije su različiti programi za slušanje datoteka (player)
kao i programi za kriptiranje i kompresiju datoteka (encoder). Primjena Internet i mobilne
telefonije povezane sa Internetom značajno olakšava i ubrzava donošenje poslovnih odluka,
naročito pri grupnom odlučivanju kada se radi o složenim problemima.
Videotehnologija i Web kamere daju veliki doprinos unapreñivanju informacione
tehnologije za poslovno odlučivanje. To je naročito značajno za animaciju koja se može
primjenjivati u simulacionim procesima pri donošenju odluka koje se mogu donijeti na
osnovu informacija dobijenih na taj način. Web kamere su digitalne kamere koje su smještene
na jednom mjestu u poslovnom sistemu i stalno snimaju i direktno šalju slike na Web server
koje korisnik, po potrebi, preuzima sa servera ili ih server sam periodično šalje korisniku.
3.6.2 Konferencijske tehnologije
U uslovima prostorne dislociranosti i moguće vremenske nepodudarnosti
donosiocima odluke pružaju se mogućnosti konferencija zasnovanih na Web tehnologiji i
tehnologiji elektronske pošte. Za tu svrhu razvijeno je nekoliko alata koji omogućavaju
održavanje takvih konferencija. Tako, na primjer, WebChat omogućava da učesnici
konferencije šalju svoje komentare u vezi sa nekim problemom, o kojem treba da se donese
odluka i u koje se mogu uključiti i slike i zvuk, na odgovarajuće mjesto na Webu. Komentari
se dodaju tekstu, koji sadrži odreñene opise datog problema, da ih mogu vidjeti svi učesnici 214 Čerić, V., Varga, M., Birolla, H. 1998. Poslovno računarstvo. Zagreb: Znak, str. 275-276.
136
konferencije. Razgovor preko Interneta (IRC) omogućava žive diskusije izmeñu više učesnika
u kojima svaki učesnik može da odgovara na poruke i doprinese blagovremenom donošenju
poslovne odluke. Neki alati omogućavaju istovremenu video i zvučnu komunikaciju većeg
broja učesnika i održavanje virtuelnih sastanaka značajnih za dobijanje informacija i znanja
potrebnih za donošenje poslovnih odluka.
Vrijednost rasploživih informacija na Internetu i televiziji relevantnih za donošenje
poslovnih odluka može da se poveća povezivanjem Interneta i televizije na personalnim
računarima, tzv. Intercasting (Internet + broadcasting). Za tu svrhu upotrebljava se
jednosmjerni prenos televizijskih sadržaja i Web stranica preko televizijskog signala.
Korisnici, preko Intercast tehnologije, mogu da izdvoje Web stranice i ostale podatke iz TV
signala tako da se može u jednom dijelu ekrana pratiti TV program a u drugom raditi sa Web
stranicama. Donosilac poslovne odluke, u ulozi korisnika takve tehnologije, može da traži,
preko Web stranica, dodatna objašnjenja o problemu za koji je zainteresovan da ga riješi.
Zahvaljujući ovim tehnologijama i novim mogućnostima Interneta, koje se
svakodnevno pojavljuju i koje će se pojavljivati u budućnosti, donosioci poslovnih odluka
imaće mogućnost da unaprijede proces odlučivanja i donose kvalitetne odluke u kratkom
periodu uz uvažavanje više relevantnih faktora u odlučivanju. Takve odluke sadržavaće manje
neizvjesnosti i rizika i pružaće poslovnom sistemu i njegovom menadžmentu mogućnost lakše
implementacije odabranih solucija.
137
4 NAPREDNI INTELIGENTNI SISTEMI PODRŠKE POSLOVNOM ODLUČIVANJU
4.1 Mašinsko učenje i rezonovanje zasnovano na slučajevima U trećem poglavlju disertacije značajna pažnja posvećena je metodama prikupljanja
znanja potrebnog za formiranje baze znanja prilikom projektovanja ekspertnog sistema.
Evidentno je opšte nastojanje da se proces prikupljanja znanja automatizuje. Da bi
automatizovale proces donošenja odluka mnoge organizacije koriste se neuronskim mrežama.
Budući da neuronske mreže uče na osnovu ranijeg iskustva da bi unaprijedile vlastite
performanse one pripadaju vrsti tehnologija koje se nazivaju mašinsko učenje koje se
razlikuje se od konvencionalnih metoda prikupljanja znanja.215 Pojedini autori grupišu
različite pristupe prikupljanju znanja na:216
- tradicionalni inženjering znanja,
- alate za interaktivno prikupljanje znanja i
- mašinsko učenje.
4.1.1 Tehnike i metode mašinskog učenja
Pristup prikupljanju znanja, mašinsko učenje, obuhvata izvoñenje pravila iz primjera.
Implementacija mašinskog učenja zahtijeva postavljanje indukcionog algoritma za
transformisanje primjera u pravila. Osamdesetih godina prošloga vijeka projektovan je
induktivni algoritam (ID3 algoritam) koji se primjenjivao u komercijalnim kosturima
ekspertnih sistema, kao što je, na primjer, KDS kostur.217 Prikupljanje znanja od eksperata
može da bude suočeno s neraspoloženjem i drugim subjektivnim slabostima eksperta koji nije
u mogućnosti da obezbijedi tačno znanje, dok je mašinsko učenje nastojanje da se znanje
eksperta implicitno izvede iz odluka koje su se donosile u prošlosti. Drugim riječima, umjesto
da se od eksperta traži da artikuliše svoje znanje o odlučivanju, modul sistema koji uči u
mogućnosti je da identifikuje strukturu i pravila iz prošlih podataka smještenih u baze
podataka i dokumentaciju organizacije. 218
215 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prent. Hall, p. 652. 216 Gruber, T. R. 1990. In the Foundation in Knowladge Acquisition. San Diego: Academic Press, pp. 115-133. 217 Quinlan, R. J. 1983. In Machine Learning - An Artificial Intelligence Approach. Palo Alto: Tioga Publishing
Co, pp. 463-482. 218 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prent. Hall, p. 652.
138
Područje mašinskog učenja, koje primjenjuje karakteristike i metodologije i
kognitivne psihologije i vještačke inteligencije, proučava procedure izračunavanja kojima se
koriste ljudi i mašine u implementaciji procesa učenja i razvija nove tehnologije koje pomažu
boljem shvatanju toga procesa. Uprkos njegovoj jedinstvenoj suštini mašinsko učenje
obuhvataju dvije osnovne oblasti koje su smještene u šire naučno područje.219
- Istraživači mašinskog učenja ne mogu da demantuju činjenicu da je značajan broj
studija o mašinskom učenju posvećen predstavljanju znanja i organizovanju
memorije, dvjema stvarima koje su saznajna područja vještačke inteligencije i
kognitivne psihologije.
- Učenje može da se pojavi u bilo kojem poslovanju kojem je potrebna inteligencija
bilo da se radi o dijagnozi, planiranju, prirodnim jezicima, mehaničkoj kontroli ili
o nečem sličnom. Prema tome, mašinsko učenje može se posmatrati kao oblast
istraživanja i razvoja.
S obzirom na to da je učenje proces ličnog usavršavanja ono ima i karakteristike
inteligentnog ponašanja. Shvatanje učenja važna je oblast istraživanja vještačke inteligencije
koja više istražuje osnovne principe inteligencije od njene primjene. Mašinsko učenje
neophodno je i radi obezbjeñivanja mogućnosti da se inteligentni sistem za podršku
odlučivanju i ekspertni sistemi podrške odlučivanju sami unapreñuju.
Čovjek uči kombinovanjem više kompleksnih saznajnih procesa, kao što su
indukcija, dedukcija, analogija i drugih postupaka: posmatranje, analiziranje primjera i sl.
Tehnike mašinskog učenja ne razlikuju se bitno od procesa ljudskog učenja. Većina tih
tehnika omogućava da se slične ideje prihvate i implementiraju na računarske programe i
inteligentne sisteme kakvi su inteligentni sistemi za podršku odlučivanju.
Postoje dvije osnovne vrste mašinskog učenja: (1) učenje sa nadgledanjem
(supervised learning) i (2) učenje bez nadgledanja (unsupervised learning).220
Učenje sa nadgledanjem je proces izvoñenja znanja iz skupa opservacija čiji su izlazi
poznati. Na primjer, izvlačenje skupa pravila iz prošlih pozajmljenih evaluacionih podataka.
S obzirom na to da su odluke za te pozajmljene slučajeve poznate, mogu se testirati načini
219 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, p. 253. 220 Soldić-Aleksić, J. 2001. Inteligentni sistemi za poslovno odlučivanje. Beograd: Ekonomski fak., str. 147-148.
139
rada uvedenih modela ako se primijene na te slučajeve.221 Ova vrsta učenja analogna je
situaciji učenja pri kojoj učenik uči novu lekciju uz pomoć učitelja.222
Učenje bez nadgledanja koristi se za otkrivanje znanja iz skupa podataka čiji su izlazi
nepoznati. Tipična primjena jeste klasifikacija potrošača u nekoliko različitih stilova života.
Prije klasifikacije ne zna se koliko ima različitih vrsta stilova življenja niti koji potrošač
pripada odreñenom stilu.223 Ova vrsta učenja može se uporediti s učenikom koji uči tako što je
izložen višestrukom ponavljanju situacija. 224
Na slici 4.1 prikazane su metode mašinskog učenja koje mogu da se primijene u
svakoj od navedenih vrsta učenja.
Slika 4.1 Klasifikacija metoda mašinskog učenja
Izvor: Turban, E. et. al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prent.Hall, p. 654.
Kao što se na slici vidi neke metode odnose se samo na jednu vrstu mašinskog
učenja, dok se neuronske mreže i genetski algoritam mogu primjenjivati i za jednu i za drugu
vrstu mašinskog učenja.
4.1.2 Rezonovanje na osnovu slučajeva
Za razliku od ekspertnih sistema i sistema za podršku odlučivanju čija se tehnologija
i funkcionisanje zasnivaju na znanju koje je predstavljeno kao niz pravila, neki ekspertni
221 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Pren. Hall, p. 653. 222 Soldić-Aleksić, J. 2001. Inteligentni sistemi za poslovno odlučivanje. Beograd: Ekonomski fakultet, str. 147. 223 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prent. Hall, p. 653. 224 Soldić-Aleksić, J. 2001. Inteligentni sistemi za poslovno odlučivanje. Beograd: Ekonomski fakultet, str. 148.
140
sistemi i sistemi podrške odlučivanju, umjesto baze pravila, koriste se dokumentima i
podacima koji se zasnivaju na iskustvu i koji se nazivaju slučajevi. Takvi sistemi koriste se
učenjem zasnovanom na slučajevima (CBR).
Slučaj obično obuhvata:
- problem koji opisuje realno stanje u momentu dogañanja slučaja,
- rješenje koje postavlja izvedeno rješenje prema tom problemu i
- rezultat koji opisuje realno stanje nakon što se slučaj dogodi.
Slučajevi koji obuhvataju probleme i njihova rješenja mogu da se koriste za
izvoñenje rješenja za nove probleme, dok slučajevi i rezultati mogu da se koriste za evaluaciju
novih rješenja. Za predstavljanje slučajeva mogu da se koriste različiti oblici prezentovanja
znanja vještačke inteligencije: okviri, objekti, predikati, semantičke mreže i pravila. Većina
CBR softvera koristi se frejmovima i objektima za predstavljanje slučajeva. Meñu
istraživačima ne postoji konsenzus o tome koje informacije slučaj treba da sadrži. Meñutim,
dva pragmatična mjerila mogu da se uzmu u obzir prilikom odlučivanja šta bi trebalo da bude
predstavljeno u slučaju: funkcionalnost i jednostavnost prikupljanja informacija koje se
predstavljaju u slučaju.225
Na osnovu karakteristika i načina upravljanja slučajevi se mogu klasifikovati u tri
vrste: okosnice, paradigme i priče (slika 4.2).226 Okosnice se pojavljuju veoma često i gotovo
da su postale standard, a pomoću induktivnog učenja mogu da se generalizuju unutar pravila
ili drugih oblika znanja. Paradigme sadrže odreñene jedinstvene karakteristike koje ne mogu
da se generalizuju. Zato je neophodno da se memorišu i indeksiraju u bazi znanja za buduće
pozivanje i korišćenje. Priče su posebni slučajevi koji sadrže bogat sadržaj i posebne
karakteristike i duboke implikacije (posljedice). Na slici 4.2 pokazuje se i način upravljanja
tim vrstama slučajeva. Rezonovanje na osnovu slučajeva naročito je dizajnirano za obradu
slučajeva u obliku paradigmi kojim se ne može pravilno upravljati rezonovanjem na osnovu
pravila.
Rezonovanje koje se zasniva na slučajevima prilagoñava solucije koje su se koristile
za rješavanje ranijih problema da bi se koristili u rješavanju novih problema omogućavanjem
da računari pregledaju prošle slučajeve i generišu pravila koja mogu da se ulančavaju
225 Watson, I. and Marir, F. 1994. "Case-Based Reasoning: A Review". The Knowledge Engineering Review.
Vol. 9. No. 4, pp. 327-354. Preuzeto sa: www.ai-cbr.org/classroom/cbr-review.html 226 Kolodner, J. L. 1993. Case-Based Reasoning. Morgan Kaufmann. (www.ai-cbr.org)
141
(unaprijed ili unazad) za rješavanje problema.227 Tabela 4.1 prikazuje poreñenje rezonovanja
na pravilima i rezonovanja na slučajevima prema različitim kriterijumima.
Slika 4.2 Izvoñenje znanja iz različitih vrsta slučajeva
Izvor: Turban, E. et. al. 2005. Decision Support Systems and Intelligent
Systems. N.J.: Pearson Prentice Hall, p. 656.
CBR-om se može koristi kao alternativnim pristupom kojim mogu da se prevaziñu
nedostaci tradicionalnih metoda rezonovanja na pravilima.228 CBR je adekvatniji za
nestrukturirana i nedovoljno proučena područja primjene. U poreñenju sa sistemima koji se
zasnivaju na pravilima sistem koji se zasniva na slučajevima sličniji je savremenom procesu
donošenja odluka od strane čovjeka. Osim toga, proces prikupljanja znanja za ove sisteme
daleko je jednostavniji s obzirom na to da nije potrebno apstrahovati pravila iz dostupnih
informacija. Čini se da je i održavanje jednostavnije jer je lakše inkorporiranje novog znanja u
postojeću bazu znanja.
227 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prent. Hall, p. 654. 228 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, pp. 316-317.
Slučajevi
Klasifikacija
Paradigme Priče Okosnice
sa ponavljanjem sa izuzecima
Indukcija Indeksiranje Indukcija i indeksiranje
Znanje
Pravila Iskustvo Lekcije
jedinstveni
142
Tabela 4.1 Poreñenje rezonovanja na bazi slučajeva i na bazi pravila
Kriterijum Rezonovanje na pravilima Rezonovanje na slučajevima
Osnovni dio znanja Pravilo Slučaj (dogañaj) Stepen finoće Čist Grub Jedinice prikupljanja znanja Pravila, heuristike Slučajevi, heuristike Mehanizam objašnjavanja Povratno traganje djelovanja pravila Prethodni slučajevi Karakterističan izlaz Odgovor i mjera povjerenja Odgovor i prethodni slučajevi Stepen prenosa znanja s problema na problem
Visok ako se radi o povratnom traganju; nizak ako se radi o determinističkim pravilima
Nizak
Brzina kao funkcija veličine baze znanja
Eksponencijalna ako se radi o povratnom traganju; linearna ako se radi o determinističkim pravilima
Logaritamska ako je balansirano stablo indeksa
Zahtjevi oblasti istraživanja Rječnik iz oblasti Dobar skup pravila zaključivanja Malo pravila ili sekvencijalna primjena pravila Oblast većinom ispunjava pravila
Rječnik iz oblasti Baza podataka primjera slučajeva (baza slučajeva) Stabilnost (modifikovano ispravno rješenje vjerovatno je još dobro) Mnogo izuzetaka od pravila
Prednosti Fleksibilno korišćenje znanjem Mogući optimalni odgovori
Brz odgovor Brzo prikupljanje znanja Objašnjenje pomoću primjera
Nedostaci Skupo izračunavanje Projektovanje dugo traje Odgovori po sistemu crne kutije
Ispod optimalna rješenja Redundantna baza znanja
Izvor: Turban, E. et. al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prent.Hall, p. 655.
Meñutim, CBR ima i nedostataka. Dva najvažnija nedostatka (tabela 4.1) jesu:
(1) CBR ne daje dovoljno optimalna rješenja i (2) redundandnost baze znanja.229 Uprkos ovim
nedostacima njegove prednosti: brz odgovor, brza akvizicija znanja i davanje objašnjenja
pomoću primjera, čine ga prihvatljivim, pogotovo u područjima poslovnog odlučivanja na
višim nivoima menadžmenta u kojima se donose nestrukturirane odluke.
4.1.2.1 Proces rezonovanja na slučajevima
Proces koji obuhvata rezonovanje na slučajevima može da se prikaže kao ciklus
(slika 4.3) koji sadrži četiri RE.230 Umjesto četiri RE231, koji potiču iz engleskog jezika,
navode se, u duhu našeg jezika, četiri P aktivnosti (pronalaženje, ponovno korišćenje,
preispitivanje i pamćenje) pomoću kojih može da se opiše ciklički proces rezonovanja na
slučajevima: (1) pronalaženje najsličnijeg slučaja, (2) ponovno korišćenje slučaja u nastojanju
da se riješi problem, (3) preispitivanje, ako je potrebno, ponuñenog rješenja i (4) pamćenje
novog rješenja kao dijela novog slučaja.
229 Ibid, p. 317. 230 Aamodt, A. and Plaza, E. 1994. "Case-Based Reasoning: Foundational Issues, Methodological Variations
and System Approaches". AI Communications. Vol 7(i), pp. 39-59. 231 RETRIEVE - pronalaženje, REUSE - ponovno korišćenje, REVISE - preispitivanje, RETAIN -pamćenje,
sačuvati, (za)pamtiti.
143
Slika 4.3 CBR ciklus
Izvor: Aamodt, A. and Plaza, E. 1994. Case-Based Reasoning:
Foundational Issues, Methodological Variations and System Approaches. AI Communications. Navedeno sa: www.ai-cbr.org/classroom/cbr-review.html
CBR cikus počinje uporeñivanjem novog problema sa slučajevima u bazi slučajeva i
pretraživanjem jednog ili više sličnih slučajeva. Rješenje koje se sugeriše i koje je u skladu sa
slučajevima ponovno se koristi i testira na uspjeh. Sve dok pronañen slučaj nije u uskoj
podudarnosti sa ponuñenim rješenjem proces će se preispitivati stvaranjem novog slučaja koji
može da se memoriše u bazu slučajeva. Na taj način zatvara se CBR ciklus.
Prilikom rješavanja problema pomoću sistema koji se zasnivaju na CBR pristupu
može da se primijeni algoritam (blok-dijagram) prikazan na slici 4.4.
Iterativni postupak rješavanja problema počinje opisivanjem problema od strane
korisnika, a završava smještanjem problema i uspješnog rješenja u bazu slučajeva. Ako se u
prvom prolasku kroz algoritam ne pronañe odgovarajuće rješenje problema, odnosno ne
postigne uspjeh sistem ponavljanjem nekih koraka u algoritmu modifikuje rješenje kako bi ga
uskladio s problemom. Primjećuje se da se u bazu slučajeva memorišu i oni slučajevi i
problemi čije rješenje nije bilo uspješno. U bazu slučajeva, pored slučaja i problema, unose se
i objašnjenja razloga neuspjeha.
Problem
Pronalaženje
Pamćenje Ponovno
korišćenje
Preispitivanje
Potvrđeno rješenje
Predloženo rješenje
Baza slučajeva
144
4.1.2.2 Alati i aplikacije sistema za rezonovanje na osnovu slučajeva
Danas postoje mnogi komercijalni CBR alati koji imaju različite funkcije i
mogućnost prilagoñavanja različitim zahtjevima korisnika. Prilikom planiranja projektovanja
sistema koji se zasniva na rezonovanju na osnovu slučajeva korisna pomoć može da se
pronañe na CBR-PEB on-line sistemu koji omogućava pronalaženje informacija o CBR
sistemima po specifikacijama sličnim onom sistemu koji korisnik namjerava da projektuje.
Slika 4.4 Algoritam funkcionisanja CBR
Izvor: Laudon, K. C. and Laudon, J. P. 2002. Management Information
Systems. N.J.: Prentice-Hall, Upper Saddle River, p. 391.
Korisnik
opisuje problem
Sistem u bazi slučajeva traži
slične slučajeve
Sistem postavlja korisniku dodatna
pitanja da bi ograničio traženje
Sistem pronalazi najprikladnije
rješenje i preispituje ga
Sistem modifikuje rješenje da bi ga što
bolje uskladio sa problemom
Uspjeh? NE DA
Sistem memoriše problem i uspješno
rješenje u bazu slučajeva
Baza slučajeva
145
U tabeli 4.2 prikazane su kompanije i odgovarajući CBR alati koje obično nude i
konsultacije u vezi sa tim alatima, a u tabeli 4.3 organizacije koje obezbjeñuju konsultacije,
obuku i druge usluge vezane za CBR.232
Tabela 4.2 Kompanije i odgovarajući CBR alati
Kompanija CBR Alat(i) AcknoSoft KATE Atlantis Aerospace Corporation SpotLight Brightware Inc. ART*Enterprise Case Bank Support Systems Inc. SpotLight Cognitive Systems Inc. ReWind Esteem Software Inc. ESTEEM Inductive Solutions Inc. CasePower Inference Corporation k-Commerce (ranije se nazivao CBR3 ili
CBR Express, CasePoint, Generator & WebServer)
IET-Intelligent Electronics TechMate Intellix A/S KnowMan, Intellix Knowledge Server,
Intellix Expertise Server, Online Investment Advisor
Isoft ReCall Sententia Software Inc. CASE Advisor & Case Advisor Webserver ServiceSoft Knowledge Builder & Web Advisor tecinno GmbH CBR-Works and Inference's
k-commerce TreeTools HELPDESK-3 The Haley Enterprise Inc. The Easy Reasoner, CPR & HelpCPR Webpresence Technology The RapidReasoner
Izvor: www.ai-cbr.organizacija/tools.html
Tabela 4.3 Organizacije za konsultaciju, obuku i druge usluge CBR-a
Organizacija Vrsta CBR ili druge usluge ai-cbr konsultacije i CBR obuka Andersen Consulting opšte konsultacije o vještačkoj inteligenciji
uključujući i CBR BSR Consulting konsultacije iz CBR Erda Švedska konsultantska kompanija za niz
proizvoda za zaključivanje Everest Holandska konsultantska kompanija za
upravljanje znanjem Intelligent Applications Ltd. CBR i data mining konsultacije Ineractive Multimedia Systems konsultacije i distribucija KATE i
CBR-Works Kenniscentrum CIBIT CBR i konsultacije o vještačkoj
inteligenciji Stottler Henke Associates, Inc. (SHAI)
opšti konsalting za vještačku inteligenciju i distributer ESTEEM-a
Izvor: www.ai-cbr.org/tools.html
232 www.ai-cbr.org
146
Case Advisor233 je inteligentni sistem za dijagnozu i rješavanje problema koji
omogućava organizacijama da efikasno opišu i pronañu odgovarajuću soluciju iz baze znanja
za rješavanje problema njihovih kupaca. Softver se sastoji od tri komponente: Case Advisor
Authoring (konfiguracija za kreiranje slučaja), Case Advisor Problem Resolution (mehanizam
za pronalaženje odgovarajućeg slučaja za rješavanje problema) i Case Advisor WebServer
(inteligentna aplikacija podrške korisnicima za organizacije koje žele da obezbijede podršku
korisnicima preko Interneta).
SpotLight234 je alat za podršku odlučivanju i upravljanje znanjem koji se koristi
iskustvom iz prošlosti. Njegova primarna uloga jeste pomaganje u rješavanju složenih
problema kao što su, na primjer, problemi vezani za dijagnostikovanje grešaka na
postrojenjima. SpotLight vodi korisnika ka rješenju problema postavljanjem pronicljivih,
osnovnih pitanja slično konsultaciji eksperta. SpotLight rješava slične probleme na osnovu
sopstvene baze znanja koja se sastoji od riješenih problema koji se nazivaju slučajevi. Slični
slučajevi predstavljaju se korisniku u rangiranom redoslijedu zajedno sa dodatnim pitanjima.
Korisnik može da pregleda slučajeve da bi pronašao onaj koji najbolje odgovara njegovom
trenutnom problemu ili daje odgovore na više pitanja. Čim korisnik pronañe odgovarajući
slučaj pristupa materijalu koji je memorisan zajedno sa slučajem i koji sadrži osnovne uzroke,
instrukcije za popravku, savjete, objašnjenja, kontakte i veze sa odgovarajućim
informacijama. Ostale uloge SpotLight-a su prikupljanje i čuvanje znanja potrebnog za
rješavanje problema u organizaciji, a te aktivnosti mora da izvršava transparentno i efikasno.
Znanje se dodaje strukturiranoj bazi znanja, koja se naziva baza slučajeva, na dva načina.
U početku baza slučajeva gradi se korišćenjem istorijskih podataka kao što su zabilješke o
održavanju i izvještaji o servisiranju incidentnog slučaja. Poslije toga, ako korisnik pronañe
problem koji se ne podudara ni sa jednim slučajem do tada, SpotLight pronalazi mogućnost da
riješi problem sa drugima, na primjer specijalistima, organizovanjem sastanka. Kad tim riješi
problem sve relevantne informacije, uključujući i inpute koje je korisnik transparentno
sakupio za vrijeme sastanka, jednostavno se ugrañuju u novi slučaj. S obzirom na to da je
osnovna tehnologija koju prati SpotLight zaključivanje na osnovu slučajeva (CBR) CaseBank
je patentirao dodatke CBR skupu koji ne zavise od drugih CBR proizvoda na tržištu ako su
namijenjeni za inteligentnu podršku odlučivanju u kompleksnom okruženju.
233 www.ai-cbr.org/tools/sententia.html 234 www.casebank.com
147
Intellix A/S235, danska softverska kompanija, nudi više alata čiji se rad zasniva na
bazama znanja, bazama ekspertiza, rezonovanju na osnovu slučajeva i drugim tehnikama
vještačke inteligencije. KnowMan236 se koristi jedinstvenim algoritmom učenja sa
samouopštavanjem. Istorijski posmatrano vještačka inteligencija bila je podijeljena u nekoliko
osnovnih područja istraživanja: vještačke neuronske mreže, s jedne strane, i drugu klasičnu ili
simboličku vještačku inteligenciju. Neuronske mreže odnosile su se uglavnom na učenje i
mogućnost primjene na sva područja, dok se klasična vještačka inteligencija bavila
rezonovanjem. To su osnovni aspekti o inteligenciji. Intellix A/S je inkorporisao oba elementa
u softverski okvir koji se naziva SOUL i čija je suštinska tehnologija kombinovanje najboljih
karakteristika neuronskih mreža, ekspertnih sistema i njegovih vlastitih pronalazaka na
području vještačke inteligencije.
Pomoću Intellix Expertise Server-a eksperti iz različitih oblasti daju podršku
poslovnim procesima širom preduzeća. Eksperti ili inženjeri znanja koriste se Intellix
Designer-om za izgradnju Intellix Advisor-a – rješenja koja se zasnivaju na automatizaciji
ekspertiza posredstvom neuronske mreže. Advisor objedinjuje znanje i iskustvo potrebno za
podršku poslovnom procesu i za podršku donošenju poslovnih odluka, distribuira poslovnu
politiku preduzeća ili pomaže rješavanju problema. Intellix Expertise Server upotrebljava se
za davanje preporuka ili rješenja koja se zasnivaju na ekspertizi sadržanoj u Advisor-ima koji
mogu da budu samostalni softver ili ugrañeni u informacioni sistem preduzeća. Intellix
Expertise Server, kao i ostali alati Intellix-a oponašaju način na koji eksperti rješavaju
problem. Identifikovanjem problema koji treba da se riješi korisnik inicira sesiju pomoću
Expertise Server-a i pristupa Advisor-u koji vodi dijalog postavljanjem odreñenih pitanja ili
nuñenjem alternativa koje korisnik može da odabere. Poslije svakog pitanja neuronska mreža
vrši ponovnu evaluaciju o tome koje bi sljedeće najvažnije pitanje moglo da postigne rješenje
što podsjeća na način kako to čini ekspert.
Funkcionisanjem u konkurentnim finansijskim tržištima Intellix je prikupio
provjerene podatke o uspješnom servisiranju finansijske djelatnosti. Danas Intellix servisira
osiguravajuće kompanije i banke sistemima za automatizaciju ekspertiza koji im
omogućavaju da ponude potrošačima najbolju ukupnu vrijednost širokim spektrom proizvoda.
Za bankare konsultacija o investicijama predstavlja složeno područje naročito u današnjim
usitnjenim tržištima. Mnogi faktori utiču na izbor investicione strategije, pa, stoga, zahtijevaju
235 www.intellix.com/products 236 www.ai-cbr.org/tools/knowman.html
148
znanje o investicijama i mogućnost razumijevanja i usklañivanja strategije sa situacijom
klijenta. Takve strategije centralizovane su u većini banaka, meñutim izazov se nalazi u
distribuciji tih ekspertiza savjetnicima klijenata banke u njenim filijalama i ekspoziturama. Da
bi ukazao i riješio neka od tih pitanja jedno od rješenja bio je Intellix-ov osnovni alat Online
Investment Advisor kojeg je uveo kao pivot program u glavnoj danskoj finansijskoj instituciji
Jyske Bank237. Prema tome, Online Investment Advisor bio je u mogućnosti da obezbijedi
podršku u konsultacijama o investiranju svim investicionim savjetnicima u Jyske Bank i na taj
način omogućio konzistentan pristup procjeni zahtjeva klijenata i preporučivao investicioni
portfolio koji se zasnivao na tim procjenama. Zahtjevi klijenata odreñivani su na osnovu niza
pitanja koja je sistem postavljao. Online Investment Advisor se koristi patentiranom
tehnologijom neuronske mreže tako da rezultati individualnog procesa koje se zasnivaju na
datim odgovorima u početku i upravljanjem upitnikom vode ka ustanovljavanju idealne
investicione strategije za klijenta. Pored pronalaženja optimalnog rješenja Intellix sistem
obezbjeñuje i važnu dokumentaciju o cjelokupnom procesu. Sistem se na početku trenira
korišćenjem primjera sa dnevnih savjetodavnih sastanaka na kojima klijenti dobijaju savjete
od najiskusnijih i najobrazovanijih eksperata u banci. Korišćenjem tim slučajevima kao
bazom dobijena je dovoljna ekspertiza za Online Advisor tako da djeluje nezavisno, pa je
sistem u mogućnosti da preporuči ekspertsko rješenje za bilo koju sličnu situaciju.
Sistem za podršku kupcima koji se zasniva na CBR projektovan je kao automatski
sistem podrške odlučivanju koji pomaže call centru ili servisu kupaca da brzo otkriju
probleme u računarskim sistemima i da predlože odgovarajuća rješenja. Sistem je projektovan
za vodeću kompaniju informacione tehnologije i integraciju sistema u Kanadi i SAD.
Kompanija nudi širok asortiman rješenja, usluga i mogućnosti podrške kupcima. Porastom
broja različitih vrsta računarskog softvera i hardverskih proizvoda za personalne računare,
vrste proizvoda koje kompanija podržava brzo su se umnožavale. Osnovna zamisao CBR
sistema je da pamti i prilagoñava rješenja koja su se koristila za rješavanje ranijih problema i
njihovo korišćenje za rješavanje novih problema. Slučaj je osnovni element baze znanja za
aplikacione sisteme koje se zasnivaju na rezonovanju na osnovu slučajeva. Opisivanje
slučajeva je različito i zavisi od razvojne konfiguracije i alata. Alati ugrañeni u projekat
zahtijevaju da svaki slučaj bude predstavljen sa stanjem problema (simptomom) traženjem
rješenja (akcije). Prema tome, slučaj obuhvata opis, nekoliko pitanja i nekoliko akcija. 237 Prema podacima objavljenim na Web lokaciji: www.intellix.com/industries/banking.html Jyske Bank imala je
2002. godine oko 3000 zaposlenih, ukupan prihod od 3 mlrd. danskih kruna i zauzimala je 125. mjesto od 200 rangiranih glavnih nordijskih kompanija.
149
Korisnik CBR sistema prvo unosi opis slučaja kojim se koristi CBR Context Navigator da bi
se uporedilo opis istraživanja sa opisom slučajeva u bazi slučajeva. Ovaj posebni alat
podržava dvije vrste karakteristika koje mogu da se odaberu za predstavljanje slučaja:
tekstualne karakteristike i simboličke karakteristike. Tekstualne karakteristike su neobrañeni
tekst koji obezbjeñuje korisnik za opis simptoma i uzroka slučaja dok simboličke
karakteristike predstavljaju formalizovane informacije koje mogu da nude spisak odgovora iz
kojeg korisnik bira umjesto da unosi tekst. Sistem se koristi sa dva sistema uporeñivanja da bi
pronašao odgovarajući slučaj. Rezultat poreñenja, koji se izračunava za svaki slučaj, pokazuje
koliko se on podudara sa opisom memorisanog slučaja u bazi. Slučajevi sa vrha liste pokazuju
se korisniku. Ako bilo koji slučaj dostigne rezultat veći od definisanog prihvatljivog praga,
biće istaknut (osvijetljen) korisniku pomoću ikonice. Kontrole i provjere kojima se korisnici
obavještavaju da je sistem pronašao zadovoljavajuće rješenje uvedene su u projekat. 238
Ovakvi i slični sistemi koji se zasnivaju na slučajevima iz baze slučajeva mogu da se
primijene i u poslovnom odlučivanju.
4.2 Vјeštačke neuronske mreže
4.2.1 Biološke i vještačke neuronske mreže
Da bi se shvatilo funkcionisanje vještačke mreže prvo treba objasniti funkcionisanje
ljudskog mozga. Procjenjuje se da ljudski mozak ima 50 do 150 milijardi neurona podijeljenih
u više od 100 različitih vrsta. Neuroni su podijeljeni u grupe koje se nazivaju mreže. Svaka
mreža sadrži nekoliko hiljada meñusobno usko povezanih neurona. Prema tome ljudski
mozak se može predstaviti kao kolekcija neuronskih mreža.
Sposobnost učenja i reagovanja na promjene u okruženju zahtijeva inteligenciju.
Mozak i centralni nervni sistem kontrolišu razmišljanje i inteligentno ponašanje. Čovjek koji
preživi oštećenje mozga ima otežano učenje i reagovanje na promjene okruženja. Isto tako
neoštećeni dijelovi mozga često mogu da kompenzuju oštećene dijelove novim učenjem. Na
slici 4.5 prikazani su biološki neuroni, a na slici 4.6 vještačka neuronska mreža sa dva
neurona.
238 Chen, C. H., Occena, L. G. 2000. Knowledge Decomposition for a Product Design Blackboard Expert
System. Artificial Intelligence in Engineering. No. 14, pp. 71-82.
150
Slika 4.5 Biološki neuroni
Izvor: (prilagoñeno) Medicinska enciklopedija
U vještačkoj neuronskoj mreži biološki neuroni postaju elementi obrade, aksoni
(neuriti) i dendriti su niti koje prenose signale, a sinapsa postaje primalac varijable koji nosi
impulse (signale) koji predstavljaju podatke.
Slika 4.6 Vještačka neuronska mreža sa dva neurona
Izvor: Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.:
Prentice-Hall, Upper Saddle River, p. 392.
151
Signali u neuronskoj mreži mogu da se prenose neizmijenjeni ili se mijenjaju
pomoću sinapse koja ima mogućnost da poveća ili smanji jačinu veze izmeñu neurona i
izaziva pobuñivanje ili blokiranje sljedećeg neurona.
4.2.1.1 Komponente vještačke neuronske mreže
Neuronska mreža sastavljena je od komponenti obrade koji su organizovani na
različite načine u obliku mrežene strukture. Osnovna procesna jedinica jeste neuron. Nekoliko
neurona organizovano je u mrežu. Postoji više topologija, odnosno načina organizovanja
neurona u vještačkoj neuronskoj mreži. Popularni pristup, feedforward-backpropagation239
paradigma, odnosno višeslojni perceptron240, dopušta svim neuronima da povezuju izlaz u
jednom sloju sa ulazom sljedećeg sloja, ali ne dopušta bilo kakvo povratno povezivanje. To je
paradigma koja ima najveću primjenu.241
Slika 4.7 prikazuje da vještački signali mogu da budu promijenjeni težinskim
faktorima (ponderima) na način sličan fizičkim promjenama koje se pojavljuju u sinapsama.
Slika 4.6 Obrada informacije u vještačkom neuronu
Izvor: Turban, E. et. al. 2005. Decision Support Systems and Intelligent
Systems. N.J.: Pearson Prentice Hall, p. 664.
Komponente obrade u vještačkoj neuronskoj mreži su vještački neuroni. Svaki od
neurona prima inpute, obrañuje ih i šalje jedan izlaz (slika 4.7). Ulaz (input) može da bude
neobrañen ulazni podatak ili izlaz ostalih komponenti obrade. Izlaz (output) može da bude
finalni rezultat, na primjer 1 (da) i 0 (ne) ili ulazni element za druge neurone.
239 Češće se naziva samo backpropagation. 240 perceptron - ranija struktura neuronske mreže koja se nije koristila skrivenim slojem. Višeslojni perceptron
podrazumijeva korišćenje i skrivenim slojem. 241 Haykin, S. S. 1999. Neural Networks: A Comprehensive Foundation, 2nd Ed. Upper Saddle River. NJ:
Prentice Hall, p. 21.
152
Tabela 4.4 Odnos biološkog i vještačkog neurona
Izvor: Medsker, L. and Liebowitz, J. 1994. Design and Development of Expert
Systems and Neural Networks. New York: Macmillan, p. 163.
Struktura mreže. Vještačka neuronska mreža sastavljena je od skupa neurona koji su
grupisani u slojeve. Karakteristična struktura sa jednim neuronom (a) i nekoliko neurona (b)
prikazana je na slici 4.8. Jednostavna mreža sastoji se od dva sloja neurona (ulazni i izlazni).
Izmeñu ulaznog i izlaznog sloja može da bude smješteno nekoliko meñuslojeva koji se
nazivaju prikriveni slojevi. Prilikom obrade informacija većina elemenata obrade vrše svoja
izračunavanja u isto vrijeme. Ovakvo paralelno procesiranje slično je načinu na koji
funkcioniše mozak i razlikuje se od serijskog procesiranja konvencionalnog izračunavanja uz
pomoć računara.242
4.2.1.2 Obrada informacija u vještačkoj neuronskoj mreži
Nakon odreñivanja strukture mreže može se pristupiti obradi informacija u mreži.
Osnovni pojmovi vezani sa obradu su:243 inputi (ulazne veličine), outputi (izlazne veličine),
ponderi ili težinski faktori povezivanja, funkcija sumiranja i transformaciona (transferna ili
prenosna) funkcija.
Inputi . Svaki input odgovara jednom obilježju. Na primjer, ako je problem da se
donese odluka o odobravanju kredita, neka od obilježja mogla bi da budu visina prihoda
aplikanta, starost i posjedovanje kuće. Numerička vrijednosti obilježja predstavlja ulaz u
mrežu. Ulazi u mrežu mogu da budu različite vrste podataka kao što je tekst, slike i govor. Za
pretvaranje simboličkih podataka u odgovarajuće inpute i za mjerenje podataka mogu se
obavljati različite pripreme prije obrade.
Izlazi. Izlazi iz mreže sadrže rješenje nekog problema. Na primjer u slučaju zahtjeva
za kredit izlaz može da bude da ili ne. Vještačka neuronska mreža pridružuje numeričke
242 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prent. Hall, p. 665. 243 Ibid, pp. 665-667.
Biološki neuron Vještački neuron Soma (tijelo neurona) Čvor
Dendriti Ulaz (input)
Akson (neurit) Izlaz (output)
Sinapsa Ponder (težinski faktor)
Mala brzina Velika brzina
Mnogo neurona (109) Nekoliko neurona (desetak do stotinu hiljada)
153
vrijednosti kao što je 1 za da ili 0 za ne. Zadatak mreže jeste izračunavanje vrijednosti
outputa. Ako izlazna vrijednost nije tačno 1 ili 0 neophodna je naknadna obrada.
Ponderi (težinski faktori povezivanja). Težinski faktori ili ponderi su ključni
elementi u vještačkoj neuronskoj mreži pomoću kojih se iskazuje relativna jačina (ili
matematička vrijednost) ulaznih podataka ili više veza koje prenose podatke iz sloja u sloj.
Ponderi pokazuju relativnu važnost svakog ulaza za element obrade i na krajnje izlaze.
Ponderi su odlučujući za memorisanje naučenih struktura informacija koje se odvija
ponavljanjem izravnavanja pondera koje mreža uči.
Funkcija sumiranja . Funkcija sumiranja izračunava ponderisane sume svih ulaznih
elemenata unošenjem svakog elementa obrade. Funkcija sumiranja množi svaku vrijednost
ulaza s njegovim ponderom i ukupne vrijednosti sabira u izlaznu sumu Y. Formula za n ulaza
u jednom elementu obrade (slika 4.8a) je:
∑=
=n
iiiWXY
1
Za j-ti neuron od nekoliko neurona obrade u jednom sloju (slika 4.8b) formula je:
∑=
=n
iiij WXY
1
Transformaciona ili transfer funkcija (funkcija prenosa). Funkcija sumiranja
izračunava unutrašnju stimulaciju ili nivo promjenljivosti neurona. Zavisno od toga nivoa
neuron može ili ne može da proizvede izlaz. Veza izmeñu unutrašnjeg nivoa promjenljivosti i
izlaza može da bude linearna ili nelinearna. Veza se iskazuje jednom od nekoliko vrsta
transformacionih (transfernih) funkcija. Popularna i prikladna sigmoidna funkcija (funkcija
logičke promjene) jeste nelinearna transferna funkcija:
YT = 1/(1 + e-Y)
Transformacija modifikuje izlazne nivoe u prihvatljive vrijednosti (obično izmeñu 0 i
1). Ovakva transformacija se vrši prije nego što izlaz dostigne sljedeći nivo. Bez takve
transformacije vrijednosti izlaza postajale bi veoma velike, posebno kada postoji nekoliko
slojeva neurona.
154
Slika 4.8 Funkcija sumiranja za jedan (a) i za nekoliko neurona (b)
Izvor: (prilagoñeno) Turban, E. et. al. 2005. Decision Support Systems and Intelligent Systems.
N.J.: Pearson Prentice Hall, p. 667.
Ponekada se umjesto transformacione funkcije koristi threshold244 vrijednost koja za
sve vrijednosti manje ili jednake 0,5 daje vrijednost 0, a za vrijednosti veće od 0,5 daje 1.
Transformacija se može dogañati na izlazu svakog procesnog elementa ili se može izvršavati
na krajnjem izlaznom čvoru.
4.2.1.3 Proces učenja u vještačkoj neuronskoj mreži
Jedno od najvažnijih obilježja vještačke neuronske mreže je mogućnost da uči.
U terminologiji neuronskih mreža, učenje se definiše kao promjena vrijednosti težinskih
faktora radi postepenog dobijanja informacija koje kasnije mogu da budu dostupne za
pretraživanje. Razvijeno je nekoliko algoritama učenja koji su klasifikovani u sljedeće
vrste:245
- učenje sa nadgledanjem i učenje bez nadgledanja,
- strukturalno i privremeno učenje,
- indirektno i direktno učenje. 244 Engleska riječ threshold ima više značenja: početak, prag, ulaz. Ovdje najviše odgovara riječ prag, meñutim,
ponekada će se zadržati i originalna riječ threshold. 245 Lin, C . T. and Lee, C. S. G. 1996. Neural Fuzzy Systems. Prentice Hall. Navedeno iz: Matsatsinis, N. F. and
Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht: Kluwer Academic Publishers Group, pp. 262-263.
155
Mreža uči pomoću algoritma sa nadgledanjem ako su za pronalaženje težinskih
faktora potrebni i ulazni i željeni izlazni vektori. Ta dva vektora u literaturi su poznati kao
parovi učenja. Obično učenje neuronske mreže zahtijeva korišćenje i testiranje nekoliko
takvih parova vektora. U toku procesa učenja primjenjuje se ulazni vektor, a izračunava izlaz
mreže. Izlaz se poredi sa izlaznim vektorom, pa se izračunava razlika, odnosno greška
(delta - δ) (slika 4.9). Zatim se, u skladu s algoritmom, težinski faktori mijenjaju da bi se
smanjila greška. Cijeli proces se ponavlja dok izlaz iz mreže ne zadovolji željene
specifikacije.246 Ovaj proces, poznat pod nazivom backpropagation (skraćenica za back error
propagation) je algoritam učenja uz nadgledanje koji se, zbog jednostavne implementacije, u
sistemima vještačkih neuronskih mrežama, najviše primjenjuje.
Slika 4.8 Backpropagation algoritam
Izvor: (prilagoñeno) Turban, E. et. al. 2005. Decision Support Systems
and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 673.
Strukturalni algoritam učenja daje odgovor iz neuronske mreže koji ne zavisi od
prethodnih ulaza i izlaza, za razliku od privremenog algoritma učenja čijom primjenom
odgovor mreže zavisi od prethodnih ulaza i izlaza.
Prilikom učenja algoritmom bez nadgledanja za poravnavanje težinskih faktora nije
potreban izlazni vektor. U ovom algoritmu slični ulazi (inputi) koji proizvode slične izlaze
grupišu se u klase. Algoritmi bez nadgledanja obično se koriste za rješavanje problema u
kojima rješenja nisu a priori poznata (npr. problemi predviñanja).247 Ovakvi algoritmi spadaju
u grupu direktnih algoritama koji se, za razliku od indirektnih algoritama, bave novim
situacijama u bilo koje vrijeme. Ovakvi algoritmi ne daju zadovoljavajuća rješenja za složene
probleme kakvi mogu da budu problemi poslovnog odlučivanja koji se susreću sa rizikom i
neizvjesnošću. 246 Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing Decisions. Dordrecht:
Kluwer Academic Publishers Group, p. 262. 247 Ibid, p. 262.
156
4.2.2 Projektovanje sistema zasnovanih na neuronskoj mreži
Metodologija projektovanja sistema koji se zasnivaju na vještačkim neuronskim
mrežama slična je metodologiji projektovanja klasičnih informacionih sistema i sistema
podrške odlučivanju. Meñutim, pojedine faze projektovanja su jedinstvene ili imaju drugačiji
pristup u odnosu na projektovanje klasičnih sistema. Prema slici 4.9 proces projektovanja
odvija se u nekoliko koraka.248
Prikupljanje i priprema podataka . Ovaj korak obuhvata aktivnosti u okviru kojih
se prikupljaju podaci i razdvajaju u dva skupa: (1) skup podataka za obuku mreže i (2) skup
podataka za testiranje mreže. Slučajevi obuke koriste se za izravnavanje težinskih faktora, a
slučajevi za testiranje za provjeravanje mreže. Podaci koji se koriste za obuku i testiranje
moraju da obuhvate sva obilježja koja su pogodna i korisna za rješavanje problema. Sistem
može da uči samo ako su podaci adekvatni, pa je najvažniji korak u izgradnji kvalitetnog
sistema, koji se zasniva na vještačkoj neuronskoj mreži, prikupljanje i priprema podataka.
Generalno govoreći bolje je koristiti više podataka jer veći skup podataka povećava
vrijeme obrade u toku učenja, ali poboljšava tačnost učenja i često vodi bržoj konvergenciji
dobrom skupu težinskih faktora. Za skup podataka srednje veličine obično se za trening na
slučajan način bira 80% podataka, a za testiranje 20%, a za mali skup podataka obično se svi
podaci koriste i za učenje i za testiranje, a za velike skupove podataka uzima se uzorak
odgovarajuće veličine i sa njim se postupa na sličan način kao za skup srednje veličine. 249
Izbor strukture mreže. Ovaj korak u projektovanju sistema sa vještačkom
neuronskom mrežom obuhvata izbor topologije mreže i odreñivanje: (1) ulaznih čvorova
(neurona), (2) izlaznih čvorova, (3) broj skrivenih slojeva i (4) broj skrivenih čvorova. Osim u
posebnim situacijama u poslovnim aplikacijama, pa prema tome i u poslovnom odlučivanju,
češće se koristi višeslojna topologija sa spregom unaprijed.
Izbor algoritma učenja mreže. Nakon definisanja strukture mreže pronalazi se
odgovarajući algoritam učenja kako bi se identifikovao skup težinskih faktora koji najbolje
obuhvatju podatke učenja i imaju najbolju tačnost predviñanja. Za izabranu topologiju sa
spregom unaprijed, kao u prethodnom koraku, obično se koristi algoritam backpropagation.
Na tržištu postoji više komercijalnih paketa za treniranje mreže tako da korisnik ne mora sam
248 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, pp.
674-679. 249 Ibid, p. 676.
157
da implementira algoritam učenja. Probne verzije takvih paketa kao što su NeuralWare250,
BrainMaker – California Scientific BrainMaker neural network software251, Megaputer –
Neural network software i drugi alati za analizu podataka252, Neurosolutions253, EasyNN-
plus254 i drugi paketi za neuronske mreže mogu se naći na Web-u.
Slika 4.10 Proces projektovanja neuronske mreže
Izvor: (prilagoñeno i pojednostavljeno) Turban, E. et. al. 2005.
Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 675.
Trening mreže. Trening (učenje ili obuka) mreže je iterativni proces koji počinje
postavljanjem na slučajan način odabranih težinskih faktora i postepenim povećavanjem
prilagoñavanja modela mreže poznatom skupu podataka. Iteracija se nastavlja sve dok suma
250 www.neuralware.com 251 www.calsci.com 252 www.megaputer 253 www.neurosolutions.com 254 www.easyNN.com
158
greške konvergira naniže prema unaprijed postavljenom prihvatljivom nivou. Za kontrolu
brzine postizanja rješenja, prilikom primjene backpropagation algoritma, postavljaju se dva
parametra: tempo ili stopa učenja (learning rate) i momenat (momentum). 255 Stopa učenja
obično je vrijednost iz intervala [0, 1]. Ukoliko je vrijednost ovog koeficijenta veća mreža uči
brže i obrnuto. Ako je vrijednost ovog parametra velika smanjuje se mogućnost generalizacije
sistema koja predstavlja značajnu karakteristiku neuronske mreže. Generalizacija omogućava
neuronskoj mreži da donosi kvalitetne odluke i iz netipičnih i nekompletnih podataka.256 Neki
softverski paketi za povećanje brzine procesa učenja imaju u svojim heuristikama učenja
sopstvene parametre.
EasyNN-plus257 postavlja stopu učenja unaprijed na 0,6 u momentu kreiranja
neuronske mreže, ali se ona može promijeniti na bilo koju vrijednost od 0,1 do 10. Vrlo male
vrijednosti dovode do sporog učenja, a vrijednosti iznad 1,5 često dovode do pogrešnog
učenja i oscilacija. Isto tako, momenat se postavlja unaprijed na 0,8, a može da se promijeni
na bilo koju vrijednost izmeñu 0 i 0,9. EasyNN-plus nudi mogućnost da se tempo učenja i
momenat odrede automatski pokretanjem nekoliko ciklusa učenja sa različitim vrijednostima
stopa učenja i momenta i mogućnost da se automatski smanji stopa učenja i momenat za
vrijeme treninga ako se pojave oscilacije ili pogrešno učenje.
U procesu treninga mreže ponekada su potrebna i odreñena prilagoñavanja podataka
kao što su: (1) promjena formata podataka da bi se udovoljilo zahtjevima softvera, (2)
normalizacija opsega podataka da bi se omogućilo njihovo poreñenje i (3) odstranjivanje
sumnjivih podataka. 258
Nakon prikupljanja i prilagoñavanja podataka i njihovog smještanja u tabele
odgovarajućeg softvera za rad sa neuronskim mrežama izvršava se proces učenja koji, zavisno
od broja čvorova (neurona) i veličine skupa podataka za učenje, da bi postigao rješenje može
da se odvija u nekoliko hiljada do nekoliko miliona iteracija. Prema tome, složeni problemi,
kakvi mogu da budu i problemi poslovnog odlučivanja, naročito kada se radi o donošenju
strateških poslovnih odluka, prilikom primjene odgovarajućeg softvera sa neuronskim
mrežama zahtijevaće i veliki broj iteracija, pa je veoma bitno, prilikom projektovanja takvih
sistema, da se korisnici odluče za snažne računare, sa velikim kapacitetom memorije i
velikom brzinom rada.
255 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prent. Hall, p. 677. 256 Soldić-Aleksić, J. 2001. Inteligentni sistemi za poslovno odlučivanje. Beograd: Ekonomski fakultet, str. 149. 257 www.easyNN.com 258 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prent. Hall, p. 678.
159
Testiranje. Već je naglašeno da se prilikom prikupljanja i pripreme podataka
formiraju dva skupa podataka, jedan za učenje mreže, a drugi za testiranje. Nakon treninga
pristupa se testiranju mreže pomoću kojeg se ispituju performanse dobijenog modela mreže
mjerenjem njegove sposobnosti da korektno klasifikuje podatke za testiranje. Osnovni pristup
testiranju mreže jeste metoda crne kutije koja se primjenjuje tako što se porede rezultati testa
sa rezultatima iz prošlosti da bi se potvrdilo da li ulazni elementi daju odgovarajuće rezultate.
Pogrešni izrazi mogu da se koriste za poreñenje rezultata dobijenih po poznatim metodama
testiranja sistema. Od mreže se ne očekuje da postiže perfektne rezultate već odreñeni stepen
tačnosti. Aplikacija neuronske mreže obično je alternativa drugim, najčešće statističkim i
kvantitativnim, metodama čiji rezultati mogu da se koriste kao mjerilo za poreñenje tačnosti.
Implementacija. Ova faza projektovanja vještačke neuronske mreže vrlo često
zahtijeva interfejs sa drugim računarskim informacionim sistemima i obuku korisnika. Za
unapreñivanje sistema i dugoročni uspjeh preporučuje se kontrola i povratna informacija
(feedback) prema projektantu. U ovoj fazi važno je, takoñe, da se ranije dobije povjerenje
korisnika i menadžmenta u projektovanje da bi se potvrdilo da je sistem prihvaćen i da se
pravilno upotrebljava.
4.2.3 Primjena vještačkih neuronskih mreža
Vještačke neuronske mreže primjenjuju se u više područja. Generalno govoreći
vještačke neuronske mreže adekvatne su za probleme čiji su ulazni elementi alfanumeričkog i
numeričkog tipa i u kojima veze izmeñu ulaznih elemenata i rezultata nisu linearne ili ulazni
podaci nisu normalno rasporeñeni, odnosno ne pripadaju normalnoj distribuciji. U takvim
slučajevima opšte statističke metode nisu pouzdane. S obzirom na to da se za primjenu
vještačkih neuronske mreža ne moraju stvoriti bilo kakve pretpostavke o distribuciji podataka,
njihova mogućnost pod manjim je uticajem od tradicionalnih statističkih metoda kada podaci
nisu normalno distribuirani.259
Fadlalla i Lin (2001)260 istraživali su primjenu vještačkih neuronskih mreža u
finansijama. Lee et al.261, u svojim istraživanjima, 2002. godine, proučavali su pretraživanje i
259 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prent. Hall, p. 679. 260 Fadlalla, A. and Lin, C. 2001. "An Analysis of the Applications of Neural Networks in Finance". Interface.
Vol. 31. No. 4, pp. 112-122. 261 Lee, P. Y. et al. 2002. "Neural Networks for Web Content Filtering". IEEE Intelligent Systems, pp. 48-57.
160
filtriranje sadržaja na Internetu. Davis et al. (2001)262 koristili su se vještačkom neuronskom
mrežom pri istraživanju i predviñanju cijena akcija na kanadskom i američkom finansijskom
tržištu. Vještačke neuronske mreže mogu da se primjenjuju i u drugim područjima, pa prema
tome i u području poslovnog odlučivanja. Upravo su vještačke neuronske mreže
najadekvatnije u tom području, jer donošenje poslovnih odluka zahtijeva mnogo ulaznih
parametara, a izlazni rezultat je jedinstven: donošenje ili nedonošenje poslovne odluke.
Na tržištu postoje brojni alati za projektovanje vještačkih neuronskih mreža čije
funkcije, u nekim slučajevima, liče na kosture ekspertnih sistema. Alati su snabdjeveni
skupom standardnih arhitektura, algoritmima učenja i parametrima neophodnim za
manipulisanje podacima. Postoje projektni alati koji mogu da podrže nekoliko desetina
paradigmi mreže i algoritama učenja. Pored standardnih proizvoda postoje i specijalizovani
proizvodi od kojih su neki projektovani u Javi i mogu se pokrenuti direktno sa Web-a uz
pomoć Web pretraživača. Drugi proizvodi projektovani su da bi se povezali s ekspertnim
sistemima kao hibridni proizvodi za projektovanje.263
Korišćenje alata vještačke neuronske mreže ograničeno je njihovom konfiguracijom.
Meñutim, projektanti neuronskih mreža umjesto tih konfiguracija mogu da preferiraju da se
koriste programskim jezicima opšte namjene, kao što je C++, ili radnom tabelom da bi
programirali model i izvršavali izračunavanja. Osim toga moguće je i korišćenje bibliotekom
rutina vještačkih neuronskih mreža. Za implementaciju samostalnih ili ugrañenih različitih
vrsta vještačkih neuronskih mreža havSoftware264 obezbjeñuje biblioteku C++ klasa.
Nekoliko paketa za projektovanje vještačkih neuronskih mreža navedeno je prilikom
objašnjavanja izbora algoritama učenja. Njima se mogu dodati još i EasyNN-plus265,
NeuroShell Easy i SPSS Neural Connection.
EasyNN-plus266 služi za izgradnju neuronskih mreža za marketing, predviñanje
prodaje, planiranje, investiranje i dr. EasyNN-plus obavlja analizu kompleksnih podataka
veoma jednostavno. Predviñanje, prognoziranje, klasifikacija i projekcija vremenskih serija
odvija se brzo i jednostavno.
262 Davis, J. T. et al. 2001. "Predicting Direction Shifts on Canadian-Us Exchenge Rates with Artificial Neural
Networks". Journal of Intelligent Systems in Accounting, Finance and Management. Vol. 10, pp. 83-96. 263 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prent. Hall, p. 678. 264 www.hav.com 265 www.easyNN.com 266 www.easynn.com/easynnplus.html
161
Mreža podataka za EasyNN-plus kreira se pomoću teksta, radnih tabela ili binarnih
fajlova. Višeslojne neuronske mreže dobijaju se od mreža podataka sa minimalnom
intervencijom korisnika. Numerici, tekst, slike ili kombinacije različitih tipova podataka mogu
da se koriste za kreiranje neuronskih mreža.
EasyNN-plus neuronske mreže mogu da se treniraju, provjeravaju i da im se
postavljaju upiti. Dijagrami, grafikoni i input/output podaci koje daje neuronska mreža mogu
da se detaljno prikažu i odštampaju. Svi grafikoni, mreže podataka i dijagrami neuronskih
mreža ažuriraju se dinamički tako da se može vidjeti kako pojedini elementi mreže
funkcionišu. EasyNN-plus može da se koristi direktno iz više drugih aplikacija ili sa
komandne linije pomoću skript (script267) jezika ili snimljenog makroa.
4.3 Genetski algoritam
4.3.1 Pojam i komponente genetskog algoritma
Genetski algoritmi su računarski algoritmi koji se konstruišu u analogiji sa procesom
evolucije. To je skup procedura izračunavanja koje koncepcijski prate korake inspirisane
biološkim procesom evolucije. Sve bolja i bolja rješenja evoluiraju od prethodnih generacija
dok se ne postigne optimalno ili prihvatljivo rješenje. Genetski algoritmi, koji se nazivaju i
evolucioni algoritmi, pokazuju samoorganizovanje i adaptaciju na način sličan preživljavanju
i razmnožavanju bioloških organizama. Metod uči produkovanjem potomaka koji su sve bolji
i bolji u poreñenju sa funkcijom prilagoñavanja (preživljavanja).268
Iako se čini da su genetski algoritmi pogodni za pretraživanje veoma širokog i
nedovoljno definisanog prostora ipak su algoritmi te vrste primjenjivani za različite vrste
problema. Baker i Syechew269 proučavali su primjenu genetskih algoritama u rješavanju
problema usmjeravanja pravca kretanja prevoznih sredstava. Shin i Lee270 prilikom
modeliranja predviñanja stečaja koristili su se genetskim algoritmom, a Nick i Themis271, u
svom radu objavljenom u IEEE Internet Computing, 2001, istraživali su mogućnost primjene
genetskog algoritma i konstruisali Webnaut - inteligentni sistem koji se koristi genetskim
267 script - struktura u obliku frejma (okvira) koja predstavlja stereotipnu sekvencu dogañaja (Turban, E. et al.
2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall. Glossary, p. 862.) 268 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prent. Hall, p. 679. 269 Baker, B. M. and Syechew, M. A. 2003. "A Genetic Algorithm for the Vehicle Routing Problem". Computer
and Operations Research. Vol. 30, pp. 787-800. 270 Shin, K. S. and Lee, Y. J. 2002 (October). "A Genetic Algorithm Application in Bankruptcy Prediction
Modelig". Expert Systems with Applications. Vol. 23. No. 3, pp. 321-328. 271 Nick, Z. Z. and Themis, P. 2001 (March-April). "Web Search Using a Genetic Algoritm". IEEE Internet
Computing . Vol. 5. No. 2, pp. 18-26.
162
algoritmom za prikupljanje i preporučivanje Web stranica. Mehanizam povratne sprege koji je
ugrañen u sistem adaptira se interesima korisnika čiji broj se stalno povećava.
Genetski algoritam je iterativna procedura koja svoje kandidate za rješenje problema
predstavlja kao stringove gena koji se nazivaju hromosomi i odreñuje njihove izglede za
preživljavanje u skladu sa funkcijom prilagoñavanja (fitness function272). Funkcija
prilagoñavanja ili funkcija cilja je mjera cilja (minimum ili maksimum) koji treba da se
postigne. Kao i u biološkim sistemima kandidati za rješenje problema se kombinuju da bi
rañali nove potomke u svakoj algoritamskoj iteraciji koja se naziva generacija. I sami potomci
mogu da postanu kandidati rješavanja problema. Iz generacije roditelja i djece, skup koji se
najbolje prilagoñava preživljavanju da bi postao roditelj koji stvara potomke u sljedećoj
generaciji. Potomci nastaju pomoću karakterističnih genetičkih operacija koje obuhvataju
reprodukciju, ukrštanje i mutaciju.273 Jednostavan genetski algoritam, kao popularna klasa
genetskih algoritama, koristi se operacijama selekcije, ukrštanja i mutacije za istraživanje
prostora prilagoñavanjem da bi se maksimizirala ili minimizarala ciljna funkcija. Genetski
algoritam za predstavljanje hromosoma obično se koristi nizom simbola odabranih iz
odreñenog alfabeta. Slot ili uzani prozor koji odgovara bilo kojem ulazu u nizu naziva se gen.
Slika 4.11 Kodiranje varijabli u genetskom algoritmu
Kodiranje varijabli koje se pretražuju može da bude binarno, u obliku realnih
vrijednosti (slika 4.11) i gray (sivo). Jednostavan genetski algoritam, prilikom rješavanja
problema, startuje od slučajno generisane populacije, zatim iterativno primjenjuje operacije
272 fitness (objective) function - funkcija prilagoñavanja, funkcija cilja, u literaturi se naziva još i funkcija
sposobnosti, funkcija dobrote i sl. 273 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prent. Hall, p. 681.
163
pretraživanja: selekciju, ukrštanje i mutaciju na tu populaciju da bi stvorio novu populaciju
hromosoma.274
Selekcija. Selekcija (reprodukcija, prema nekim autorima) izračunava vrijednosti
ciljne funkcije svih hromosoma i proizvodi više kopija hromosoma sa većom prilagodljivošću
i koristi te dodatne kopije da bi se zamijenili oni hromosomi populacije koji imaju loše
vrijednosti ciljne funkcije. Prihvatljivo je da se ova operacija razdvoji upravo na reprodukciju,
pomoću koje genetski algoritam stvara nove generacije unaprijeñenih rješenja, i na samu
selekciju kojom se biraju roditelji sa višom ocjenom prilagoñavanja ili davanjem takvim
roditeljima veće vjerovatnoće doprinosa u stvaranju novih generacija ili korišćenjem
slučajnog izbora.
Ukrštanje. Operator ukrštanja obično se primjenjuje na populaciju sa visokom
vjerovatnoćom preživljavanja. Postoji nekoliko vrsta operatora ukrštanja koji preovladavaju u
literaturi: ukrštanje u jednoj tački, ukrštanje u dvije tačke (slika 4.12), uniformno ukrštanje,
segmentno ukrštanje i sl.
Slika 4.12 Šeme ukrštanja gena u hromosomima
274 Cartwright, H. 2000. Intelligent Data Analysis in Science. New York: Oxford University Press, pp. 52-53.
164
Mutacija . Dok operacija ukrštanja formira dva potomka od dva roditelja, operator
mutacije formira jedan potomak od jednog roditelja promjenom vrijednosti, na slučajan način,
odabranog bita (slika 4.13). Na taj način formira se sasvim novo rješenje koje može da
unaprijedi postupak nalaženja zadovoljavajućeg rješenja. Zadatak mutacije je da članovima
populacije obezbijedi mogućnost skoka iz jedne oblasti prostora rješenja u drugu i na taj način
da istražuju nova područja u potrazi za boljim rješenjima.275
Slika 4.13. Operator mutacije
U binarnom kodiranju procedura mutacije umjesto njihovog dupliranja mijenja 1 u 0
ili 0 u 1. Ta promjena pojavljuje se sa vrlo niskom vjerovatnoćom (obično 1 od 1000). 276
4.3.2 Način rada genetskog algoritma
Blok-dijagram procesa genetskog algoritma koji se sastoji od pet osnovnih koraka
prikazan je na slici 4.14. Proces počinje opisom problema koji treba da se riješi. Problem se
mora opisati na takav način da omogući njegovo rješavanja uz pomoć genetskog algoritma.
To obično znači da string nula i jedinica (u slučaju binarnog kodiranja) može da predstavi
rješenje i da može da se ustanovi funkcija prilagoñavanja jednostavna za izračunavanje i za
koju se pretpostavlja da treba da se maksimizira. Proces se nastavlja tako što se generiše
početni skup rješenja i izračunava njihova funkcija prilagoñavanja. Zatim se izračunava suma
funkcija prilagoñavanja, a vjerovatnoća svakog rješenja da bude izabrano za generisanje para
potomaka jednaka je njegovoj funkciji prilagoñavanja po sljedećoj formuli:277
∑=
=N
ii
ii
xf
xfp
1
)(
)(
275 Soldić-Aleksić, J. 2003. Inteligentni sistemi za poslovno odlučivanje. Beograd: Ekonomski fakultet, str. 191. 276 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N J.: Pearson Prent. Hall, p. 682. 277 Ibid, p. 683.
165
Vrijednost pi je relativno prilagoñavanje argumenta xi u poreñenju sa svim ostalim
hromosomima, odnosno pi je vjerovatnoća tako da je 0 ≤ pi ≤ 1 i 11
=∑=
N
iip .
Skup novih potomaka generiše se većim dijelom ukrštanjem, a manji broj potomaka
dobija se mutacijom. Roditelji se biraju na osnovu vjerovatnoće dobijene navedenom
formulom. Prema tome, naredna generacija sastoji se od skupa najboljih potomaka i roditelja.
Proces se nastavlja sve dok se ne pronañe dovoljno dobro rješenje, garantovan optimum ili se
poboljšanje više ne pojavljuje kroz nekoliko generacija.
Slika 4.14 Blok-dijagram procesa genetskog algoritma
Izvor: (prilagoñeno) Turban, E. et. al. 2005. Decision Support Systems
and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 675.
Start
Opis problema
Generisanje početnih rješenja
Test: Da li je najbolje
rješenje dovoljno dobro?
Stop
Da
Ne
Selekcija roditelja (izvršilaca) za reprodukciju
Primjena procesa ukrštanja i kreiranje
skupa potomaka
Primjena slučajne mutacije
1. korak
2. korak
3. korak
4. korak
5. korak
166
Genetski algoritam zahtijeva postavljanje nekoliko parametara čije vrijednosti zavise
od problema koji treba da se riješi. To su sljedeći parametri:278
- broj početnih rješenja koji će se generisati,
- broj potomaka koji će se generisati,
- broj roditelja i potomaka koji će se zadržati za narednu generaciju,
- vjerovatnoća mutacije,
- distribucija vjerovatnoće pojavljivanja tačke ukrštanja.
Da bi se poboljšale performanse ponekada se navedeni parametri mogu mijenjati
tokom izvršavanja algoritma. U skladu s navedenim parametrima funkcionisanje genetskog
algoritma može se opisati na sljedeći način:
- izbor početnog skupa slučajno odabranih rješenja (populacija),
- svaka jedinka (hromosom) u populaciji razvija se pomoću sukcesivnih iteracija,
odnosno kroz generacije,
- hromosomi se ocjenjuju odreñenim mjerilima u skladu sa funkcijom
prilagoñavanja,
- novi hromosomi (potomci) formiraju se spajanjem dva hromosoma korišćenjem
operatora ukrštanja ili modifikovanjem hromosoma operatorom mutacije,
- nova generacija gradi se selektovanjem nekoliko roditelja i potomaka u skladu sa
vrijednostima funkcije prilagoñavanja i odbacivanjem ostalih hromosoma da bi se
zadržala veličina populacije.
Procedura genetskog algoritma može se opisati na sljedeći način:
Procedura: Genetski_algoritam
Početak
t = 0
formiranje početne populacije P(t)
ocjena početne populacije P(t)
dok se ne postigne uslov prekida
izvršavati
kombinovanje P(t) ukrštanjem i mutacijom da bi se dobio novi skup
rješenja C(t)
ocjena C(t)
selektovanje P(t+1) iz P(t) i C(t)
t = t + 1
kraj kombinovanja
prikazivanje najboljeg rješenja
kraj procedure.
278 Ibid, p. 683.
167
4.3.3 Aplikacije i softver genetskog algoritma
S obzirom na to da je suština primjene genetskog algoritma prilično jednostavna nije
teško da se napiše programski kôd za njegovu primjenu. Programski kôd može da se napiše u
bilo kojem programskom jeziku. Veoma je popularna primjena tzv. paralelnog genetskog
algoritma da bi se ubrzao proces obrade i da bi se ispitalo što više solucija, odnosno postigao
optimum. Na tržištu postoji nekoliko komercijalnih programskih paketa sa dobrim
performansama i online demo verzijama. Predstavnici komercijalnih programskih paketa su
Evolver, dodatak koji se može ugraditi u Excel279, i XpertRule GenAsys, ljuska ekspertnog
sistema sa ugrañenim genetskim algoritmom.280
Genetski algoritmi često se primjenjuju za poboljšanje drugih metoda vještačke
inteligencije kao što su ekspertni sistemi ili neuronske mreže. Uloga koju genetski algoritam
ima u neuronskim mrežama jeste dinamičko podešavanje pri pronalaženju optimalnih
težinskih faktora u mreži.281
4.4 Fuzzy (fazi) logika
4.4.1 Pojmovi vezani za fuzzy logiku
Za donošenje odluka mogu se koristiti i nepouzdane, nepotpune ili nedovoljno tačne
informacije koje predstavljaju procjenu neke buduće pojave. Posljedica takvih informacija
mogu da budu nepouzdane odluke i nepouzdani rezultati njihovog implementiranja. Meñutim,
bez ili primjenom inteligentnih sistema poslovnog odlučivanja i drugih sistema podrške
odlučivanju, odluke se donose i u takvim okolnostima.
Fuzzy logika pripada relativno novom razvoju vještačke inteligencije zasnovanoj na
pravilima koja tolerišu nepreciznost i čak se koristi nepreciznošću za rješavanje problema koji
se nisu mogli ranije riješiti.282 Fuzzy logika se sastoji od mnoštva pojmova i tehnika za
predstavljanje i izvoñenje znanja koje je neprecizno, neizvjesno ili nesigurno. Fuzzy logika
može da kreira pravila koja se koriste aproksimativnim ili subjektivnim vrijednostima i
nekompletnim ili dvosmislenim podacima.
279 Palisade Software, www.palisade.com 280 Attar Software, www.attar.com 281 Kuo, R. J. and Chen, C. A. 2003. "A Decision Support System for Order Selection in Electronic Commerce
Based on Fuzzy Neural Network Supported by Real-Coded Genetic Algorithm". Expert Systems with Applications. Navedeno iz: Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 685.
282 Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Inc. Upper Saddle River, p. 394.
168
Postoji nekoliko pristupa prikazivanju nepouzdanih informacija i znanja i njihovog
korišćenja prilikom zaključivanja, odnosno donošenja poslovnih odluka. Deduktivno
rezonovanje koje se zasniva na vrijednostima tačno/netačno, odnosno na tzv. dvojnoj logici ne
može da bude od velike koristi u poslovnom odlučivanju jer situacija prilikom donošenja
odluka nije uvijek takva da su stvari tačne ili netačne, odnosno radi se o stohastičkom, a ne
determinističkom stanju odlučivanja. Činjenice mogu biti nesigurne i neizvjesne zbog
stohastičke prirode sistema ili zbog nedostatka informacija. Informacije mogu biti nedovoljne
jer su nekompletne, nekonzistentne ili nisu potpuno pouzdane.
Da bi se moglo zaključivati s neizvjesnim i nepouzdanim informacijama
nepouzdanost se mora predstaviti na odgovarajući način, a nepouzdane informacije
kombinovati i izvlačiti zaključci iz takvih informacija. Postoje razne numeričke i nenumeričke
metode ili pristupi u rješavanju takvih problema. Klasična metoda u normativnoj teoriji
odlučivanja u uslovima neizvjesnosti je Bayesov pristup. Osnovni elemenat u tom pristupu je
vjerovatnoća, tj. broj koji može da se koristi za predstavljanje nepouzdanost. Bayesov pristup
vjerovatnoći definiše vjerovatnoću kao stepen vjerovanja neke osobe u hipotezu, dogañaj ili
nepouzdanu veličinu. Bayesov pristup omogućava da se izračuna vjerovatnoća različitih
uzroka za neku posljedicu. Dakle, ovdje se polazi od posljedice, pa se traže mogući uzroci. Za
mjerenje nesigurnosti, pored vjerovatnoće, može da se koristi i funkcija povjerenja i saznanja
na osnovu teorije rasplinutih, tzv. fazi (fuzzy) sistema.283
Teorija nepouzdanosti prikazuje nepouzdanost kao stepen vjerovanja u činjenice ili
znanje koje se zasniva na evidenciji. Nepouzdanost može da se mjeri pomoću faktora
pouzadanosti (CF), pri čemu CF = 0 označava potpunu netačnost ili potpunu nepouzdanost, a
Cf = 100 potpunu tačnost, odnosno potpunu pouzdanost. Ovdje je potrebno naglasiti da zbir
stepeni istinitosti iskaza u odreñenom slučaju ne mora da bude 100. U teoriji pouzdanosti
svako pravilo, koje potvrñuje neku hipotezu, podržava je sa svojim faktorom pouzdanosti.284
Pri zaključivanju sa nedovoljno pouzdanim informacijama potrebno je dokazivanje
svih pravila koja se odnose na cilj i izračunati složene faktore pouzdanosti tih pravila. Pri
tome se mogu koristiti logičke operacije AND i OR.
Za razliku od logike koja se zasniva na dvije vrijednosti tačno i netačno, primjenom
fuzzy logike moguće je razlikovanje više od dvije osnovne vrijednosti: tačno i netačno. S
283 Klein, M. and Leif, B. M. 1992. Expert Systems, A Decision Support Approach. New York: Addison-Wesley
Publishing Company, p. 137. 284 Čerić, V. i sar. 1998. Poslovno računarstvo. Zagreb: Znak, str. 217- 218.
169
obzirom na to da je opisivanje rezonovanja čovjeka logičkim vrijednostima tačno i netačno
veome često neadekvatno zato se upotrebljava fazi logika koja se koristi cijelim intervalom
izmeñu 0 (netačno) i 1 (tačno) da bi se opisalo rezonovanje. Stanje nekog sistema može se
opisati lingvističkim varijablama, na primjer: mali prihod, osrednji porast, visoki troškovi i sl.
U praktičnoj primjeni često se koristi sedam vrijednosti lingvističkih varijabli koje imaju
simbolička imena izvedena od engleskih naziva vrijednosti varijabli (slika 4.15).285
Pravila zaključivanja, u ovom slučaju, prvo se opisuju riječima, a zatim na formalan
način. Pri donošenju zaključaka koristi se princip odreñivanja vrijednosti konjunkcije kao
minimuma vrijednosti funkcija pripadnosti varijabli koje su uključene u konjunkciju, a
disjunkcija se odreñuje kao maksimum vrijednosti funkcija pripadnosti varijabli koje čine
disjunkciju. U uslovima neizvjesnosti i rasplinutih situacija odlučivanja donosilac poslovne
odluke, koja je uvijek usmjerena na budućnost, oslanja se na lingvističke varijable koje se
odreñuju na osnovu analize konkretnog problema.
Slika 4.15 Lingvističke varijable
Izvor: Čerić, V. i sar. 1998. Poslovno računarstvo. Zagreb: Znak, str. 425.
Fazi pravila, za razliku od klasičnih pravila zaključivanja u ekspertnim sistemima
koriste se lingvističkim varijablama, pa je, prema tome, veoma blisko razmišljanju čovjeka.
285 Isto, str. 423- 424.
170
Da bi se ovo apsolviralo mora se shvatiti osnovno pravilo zaključivanja u iskaznoj logici
modus ponens i, na osnovu toga, fuzzy pravilo.286
Modus ponens je jedno od pravila zaključivanja koje se najčešće koristi, a ima
sljedeće značenje: ako postoji pravilo i ustanovljeno je da je uslov pravila istinit, može se
zaključiti da je posljedica pravila takoñe istinita.
Ovo pravilo ima oblik:
Ako X onda Y X je tačno Zaključak: Y je tačno
Matematička formulacija ovog pravila je:
((X → Y) ∧ X) → Y
Modus ponens omogućava sljedeći tip zaključivanja:
PRAVILO: Ako je osiguranik mlañi od 25 godina, onda je rizik osiguranja veći od 60%. PREMISA: Osiguranik A je mlañi od 25 godina. ZAKLJUČAK: Rizik osiguranja za osiguranika A je veći od 60%.
Meñutim, kao što je već navedeno fuzzy pravila imaju način rezonovanja sličan
razmišljanju čovjeka, tako da bi fuzzy pravilo moglo da glasi:
Ako je osiguranik mlad, onda je rizik osiguranja visok.
Desna strana fuzzy pravila (zaključak) izvršava se u onom stepenu u kome je lijeva
strana pravila (uslov) istinit. Meñutim, postavlja se pitanje da li osiguraniku čija je funkcija
pripadnosti skupu mlad 0,8 mora da bude pridružen rizik osiguranja sa stepenom 0,8
lingvističke varijable visok? Odgovor na ovo pitanje je negativan jer postoje različite metode
korigovanja funkcije pripadnosti zaključka u skladu sa stepenom pripadnosti u uslovu pravila.
Najčešće se primjenjuju dvije metode zaključivanja: korelacioni minimum (correlation-
minimum) i korelacioni proizvod (correlation-product) (slika 4.16). 287
Zaključivanje po metodi korelacionog minimuma pokazuje da se funkcija pripadnosti
zaključka siječe na nivou vrijednosti funkcije pripadnosti premise, odnosno sve dok je
funkcija pripadnosti zaključka manja ili jednaka stepenu pripadnosti fuzzy skupu u premisi,
ona se ne mijenja, a na svakoj tački gdje je veća od vrijednosti funkcije pripadnosti premise,
ona postaje jednaka toj vrijednosti. Primjenom ove metode dolazi do znatnog gubitka
286 Soldić-Aleksić, J. 2003. Inteligentni sistemi za poslovno odlučivanje. Beograd: Ekonomski fakultet, str. 95. i
175-176. 287 Isto, str. 176.
171
informacija zbog isključivanja svih informacija pripadnosti zaključka u slučaju kada je
funkcija pripadnosti zaključka veća od funkcije pripadnosti premise. Alternativa ovoj metodi
je metoda korelacionog proizvoda koja funkciju pripadnosti zaključka izračunava pomoću
proizvoda originalne funkcije pripadnosti zaključka i funkcije pripadnosti premise.
Slika 4.16 Metode fuzzy zaključivanja
Izvor: Masters, T. 1993. Practical Neural Network Recipes in C++ . Boston:
Academic Press, Inc., p. 295.
U nastavku rada navodi se primjer fuzzy skupa pomoću kojeg se opisuje visina
kamatne stope i koji se zasniva na jednostavnoj anketi potencijalnih korisnika kredita o
visinama kamatnih stopa u bankama Brčko Distrikta. Odgovori o tome šta se smatra visokom
kamatnom stopom mogu da variraju od 9 do 14 % (9% je najniža kamatna stopa, a 14%
najviša, isključeni su slučajevi kratkih rokova otplate, pa prema tome i visokih kamatnih
stopa). U tabeli 4.5 prikazana je distribucija odgovora i obrañeni rezultati ankete:
Tabela 4.5 Distribucija odgovora
Visina
kamatne stope Proporcija odgovora
Kumulativna proporcija
9% 0,05 0,05 10% 0,15 0,20 11% 0,20 0,40 12% 0,40 0,80 13% 0,05 0,85 14% 0,15 1,00
Ako se pretpostavi da je za konkretan kredit kamatna stopa 12%, pomoću teorije
vjerovatnoće, korišćenjem distribucije kumulativne vjerovatnoće, može se tvrditi sa 80%
pouzdanosti da je kamatna stopa za dati kredit visoka.
U fuzzy logici stepen pripadnosti kamatne stope od 12% visokim kamatnim stopama
je 0,80. Razlika je u tome što u terminologiji vjerovatnoće kamatna stopa od 12% je visoka ili
172
nije visoka, ali ne postoji potpuna pouzdanost da je kamatna stopa visoka. Nasuprot tome u
fuzzy logici postoji saglasnost da je kamatna stopa više ili manje visoka, odnosno može da se
pridruži funkcija pripadnosti koja pokazuje pripadnost konkretne vrste kredita sa kamatnom
stopom od 12% skupu kredita sa visokim kamatnim stopama, odnosno fuzzy skupu:
<Kredit sa kamatnom stopom od 12% ; 0,80 ≡≡≡≡ kredit sa visokom kamatnom stopom>
U sistemima koji se zasnivaju na znanju prethodni izraz može da se se prikaže kao
"Kredit sa kamatnom stopom od 12% je kredit sa visokom kamatnom stopom" (CF = 0,80).
Bitna razlika pripadnosti fuzzy skupu od pripadnosti nekom skupu po teoriji vjerovatnoće je u
tome da ne postoji stopostotna pripadnost, odnosno ne postoji ukupna pripadnost jednaka 1.288
Primijenjeno na navedeni primjer izraz "Kredit sa kamatnom stopom od 12%" (CF = 0,80)
pokazuje da je kombinacija samo 0,80. U teoriji vjerovatnoće ako je vjerovatnoća 0,75 da je
kamatna stopa od 12% visoka, onda vjerovatnoća da kamatna stopa nije visoka (uz
pretpostavku da postoje samo dvije mogućnosti) mora da bude 0,25.
Za razliku od faktora pouzdanosti koji obuhvataju dvije vrijednosti (na primjer stepen
povjerenja ili nepovjerenja), fuzzy skupovi se koriste spektrom mogućih vrijednosti koje se
nazivaju funkcije povjerenja. Faktor povjerenja da neka stavka pripada tome skupu
izračunava se pomoću funkcije pripadnosti, slika 4.17.289
Slika 4.17 Funkcija pripadnosti fuzzy skupu
Na slici se vidi da se kamatna stopa od 12% počinje smatrati visokom, a sa iznosom
od 14% definitivno je visoka. Izmeñu 12% i 14% vrijednosti funkcija pripadnosti kamatne
stope variraju od 0 do 1. Isto tako, kamatna stopa ima vrijednost funkcije pripadnosti skupu
288 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prent. Hall, p. 687. 289 Ibid, p. 688.
1,0
0,5
Pripadnost
Niska Srednja Visoka
9% 12% 14%
Kamatna stopa
173
niskih, srednjih ili visokih kamatnih stopa zavisno od njene visine. Područje srednje visine
kamatnih stopa premošćuje oba područja, nisko i visoko, tako da se sa odreñenim stepenom
povjerenja može tvrditi da odreñena visina kamatne stope može da pripada više od jednom
fuzzy skupu u isto vrijeme.
4.4.2 Aplikacije fuzzy logike
Bez obzira na činjenicu da se aplikacije fuzzy logike teško projektuju, da za primjenu
zahtijevaju prilično veliku snagu računara i da ih je korisnicima teško objasniti ipak u
posljednje vrijeme nailaze na sve češću primjenu. Povećanjem snage računara (brzine rada i
memorijskih mogućnosti) i razvojem softvera, naročito početkom devedesetih godina
prošloga vijeka, aplikacije fuzzy logike počinju sve više da se primjenjuju.
Teškoće primjene fazi logike kreću se od jezičkih nejasnoća do obezbjeñivanja
potrebnih definicija. Fuzzy logika naročito se koristi u područjima tehničkih proizvoda u
kojima ulazne podatke obezbjeñuju senzori, a ne ljudi. Primjeri takve primjene su ureñaji za
klimatizaciju, grijači, videokamere, mašine za pranje, mikrotalasne peći i sl.290
Fuzzy logika i sistemi koji se zasnivaju na takvoj logici omogućavaju da se riješe
problemi koje ranije nisu mogli da se riješe i na taj način poboljša kvalitet proizvoda. Ova
logika naročito se koristi u Japanu, a sve više postaje popularna u SAD. Njena popularnost
djelimično je i zbog toga što menadžeri smatraju da se može koristiti u smanjivanju troškova i
skraćivanju vremena projektovanja sistema koji se zasnivaju na takvoj logici. Kôd aplikacija
fuzzy logike zahtijeva nekoliko IF … THEN pravila tako da ga čini mnogo jednostavnijim od
klasičnog kôda. Za pravila koja su navedena u prethodnom primjeru, uključujući i definicije
njihovih izraza, bilo bi potrebno nekoliko stotina IF … THEN naredbi za implementaciju u
klasičnoj logici. Kompaktniji kôd zahtijeva manji kapacitet računara tako da se proizvodi koji
se zasnivaju na fuzzy logici mogu da se grade bez skupe memorije. 291
Fuzzy logika i njene aplikacije i softver nalaze sve veću primjenu i u donošenju
odluka i za kontrolu u poslovnim sistemima, ali i u drugim sistemima koji se koriste
lingvističkim varijablama i fuzzy logikom.
290 Ibid, p. 688. 291 Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Inc. Upper
Saddle River, p. 395.
174
4.5 Inteligentni sistemi na Internetu Da bi složeni poslovni sistemi odgovorili na veliki i oštar pritisak konkurencije
moraju smanjiti vrijeme ciklusa proizvodnje, povećavati kvalitet proizvoda i odgovarati na
individualne zahtjeve potrošača. U tom smislu poslovni sistemi reorganizuju svoju strukturu i
poslovne procese. Organizacione promjene opisuju se novim terminima kao što su:
organizacija koja uči, reinženjerijska organizacija, umrežena organizacija, virtuelna
organizacija i sl. Osnovna ideja je ista: da bi odgovorila na izazove okruženja koje se stalno
menja i da bi smanjila troškove koordinacije izmeñu pojedinih dijelova, unaprijedila tok
komuniciranja i pomjerila proces donošenja odluka izvan granica biznisa organizacija mora
da bude manja, jednostavnija i decentralizovana. Da bi organizacije podržavale i stimulisale te
nove, globalno distribuirane organizacione forme i procese, one rekonstruišu i svoju
informacionu infrastrukturu. U ovom trenutku svjedoci smo brzog razvoja, uvoñenja i
unapreñivanja mrežne i mobilne kompjuterizacije. Jedan od ciljeva jeste da se pojedincima ili
timovima za donošenje blagovremenih poslovnih odluka obezbijede podaci, informacije i
znanje u bilo koje vrijeme i u bilo kojem mjestu. U šarenilu podataka, informacija i znanja
koje je dostupno preko Web-a, globalnog distribuiranog sistema hipermedijskih dokumenata,
nezamislivo je "držati u glavi" pojedinca ili grupe ljudi sve relevantne faktore za donošenje
kvalitetnih odluka. Otuda inteligentni sistemi podrške odlučivanju imaju veliki značaj za
donosioce odluka, odnosno menadžere i menadžment timove kako bi se omogućilo
inteligentno upravljanje i manipulisanje podacima, informacijama i znanjem. Meñutim,
inteligentni poslovni sistemi i poslovna inteligencija nezamisliva je bez globalne računarske
mreže - Interneta. navode sljedeće Inteligentni sisteme podrške odlučivanju koji, po
koncepciji, imaju izvjesne sličnosti sa ekspertnim sistemima i koji se mogu primjenjivati
zahvaljujući Internetu su:292
1. softverski agenti,
2. agenti e-mail filtriranja ili e-mail agenti,
3. aktivne baze podataka,
4. inteligentne mogućnosti Interneta i
5. personalizovane novine.
Softverski agent je računarski program kome korisnik dodjeljuje zadatak, a program
ga izvršava zadatak u pozadini, što se označava atributom "set and forget" (postavi i
292 Sprague, R. H. Jr., Watson H. J. 1996. Decision Support for Management. N.J.: Prentice Hall, Upper Saddler
River, pp. 186-224.
175
zaboravi)293. Takvi programi podržavaju uslovno procesiranje jer sadrže logiku zasnovanu na
pravilima i prepoznavanja po uzorku da bi se donosile odluke na osnovu promijenjenog
konteksta. Pravila, koja su slična onima koja se primjenjuju u ekspertnim sistemima
zasnovanim na pravilima, obično kreira sam krajnji korisnik.
Softverski agenti fokusiraju se na jednostavan skup zadataka korišćenjem logike
prepoznavanja po uzorku, pa su, stoga, neefektivniji od ekspertnih sistema. Obično se agent
fokusira na jednostavne probleme kao što je, na primjer, filtriranje elektronske pošte. U
slučaju da zadatak postaje složeniji "inteligencija" agenta se ne povećava. Umjesto toga
zadatak se dijeli na manje podskupove koji se distribuiraju ka grupi agenata koja koordinira
njihove napore u meñusobnom komuniciranju.
Softverski agenti automatizuju poslove koji se ponavljaju. Mnogi poslovi koji se
povjeravaju agentima ne zahtijevaju posebnu sofisticiranu logiku. Umjesto toga, zadatak, vrlo
često, obuhvata jednostavne repetitivne poslove tako da ih može izvršiti jedna osoba ako ima
vremena i volje da radi na taj način. Bez obzira na slabosti i nedostatke inteligencije agenta
posao koji on obavlja je, vrlo često, urañen brže sa istom i većom tačnošću od onog koji
izvršava osoba. Na primjer, ako je zadatak da se ručno provjere brojevi u milion ćelija neke
tabele da se pronañu sve vrijednosti veće od nekog, unaprijed datog broja, na primjer 5, onda
se to može uraditi i ručno, meñutim brzina i tačnost znatno bi zaostajali u poreñenju sa
softverskim agentom. Isto tako postavlja se pitanje kako postupiti ako je zadatak da se pročita
na hiljade poslovnih članaka tražeći naziv odreñene organizacije. Dodatni problem može da
predstavlja i drugačiji poziv na organizaciju, na primjer, njeno skraćeno ime ili navoñenje
prepoznatljivih proizvoda. Čovjek bi takve probleme mogao da riješi, ali bi to bilo gubljenje
vremena, dok bi takav posao agent mogao da uradi vrlo brzo, naravno, ne uz stopostotnu
preciznost. Prilikom donošenja poslovne odluke, da li da se odabere "ručno" traženje ili da se
to prepusti softverskom agentu zavisi od odgovora na pitanje: Da li je pri odlučivanju
primarna brzina ili tačnost? Ako se zadatak prepusti agentu brzina će biti zadovoljavajuća,
dok će preciznost, vjerovatno, biti ispod 100%.
Softverski agenti nazivaju se "inteligentnim" ako imaju sposobnost da uče.
Istraživači u mnogim softverskim kompanijama kreirali su različite savjetodavne agente koji
uče na osnovu navika, interesa i ponašanja svojih korisnika.294 Mada inteligentni agenti rade
293 Miley, M. 1993 (April 19)."Agent Technology". MacWeek, pp. 41-44. 294 Maes, P. 1994 (July). "Agents that Reduce Work and Information Overload". Communications ACM,
pp. 31-40.
176
sa velikom pažnjom, kritičke rasprave govore da mnogi ljudi ne vole da im se "pametni"
agenti natovare na leña.295 Ovakve agente posebno ne vole menadžeri koji donose odluke na
osnovu intuicije i ličnog razmišljanja o uslovima, riziku i posljedicama odreñene alternative.
Na slici 4.18 prikazana je arhitektura inteligentnih agenata i njihove vrste:296
1. interfejs agenti (INT)
2. informacioni agenti (INFO) i
3. agenti složenih poslova.
Ovakvim agentima mogu da se koriste donosioci poslovnih odluka, odnosno
menadžeri preduzeća pri distribuiranom odlučivanju u kojem svaki član menadžment tima
ima sopstveni scenario odlučivanja, a odluka je rezultat usaglašavanja takvih scenarija.
Funkcije interfejs agenata su: iniciranje zadataka, interakcija korisnika i sistema,
predstavljanje izlaznih rezultata korisniku na način koji zavisi od profila korisnika,
odreñivanje vrste poslova u koje treba da se uključe agenti tako da se najbolje odgovori
zahtjevima korisnika.297
Slika 4.18 Arhitektura inteligentnih agenata
Izvor: Matsatsinis, F. N et al. "An Intelligent Software Agent Framework for
Decision Support Systems Development", http://www.ergasya.tuc.gr
Cilj informacionih agenata je obezbjeñivanje informacija i ekspertiza o različitim
temama izdvajanjem relevantnih informacija iz zajedničke sistemske baze podataka, udaljenih
heterogenih baza podataka sa Interneta i drugih informacionih i interfejs agenata.298
295 Greif, I. 1994 (July). "Desktop Agents in Group-Enabled Products". Communications ACM, pp. 100-105. 296 Laurel, B. 1997. "Interface Agents: Metaphors with Character". Software Agents, pp. 67-77. 297 Isto, str. 67-77. 298 Knoblock, G. A. and Ambite, J. L. "Agents for Information Gathering". Software Agents, pp. 347-373.
DM i DM j INTi INT j Ti Ti
INFO1 INFO2 INFOn
Internet DB1 DBk
D
Agent za složene poslove Informacioni agent
Korisnik (donosilac odluke)
Interfejs agent
Baza podataka
177
Agenti za složene poslove ili zadatke su visoko sofisticirani agenti koji mogu imati
elementarnu ili kompleksnu strukturu zavisno od procesa donošenja odluke koji se modelira.
Da bi izvršavali sopstvene poslove ovi agenti se povezuju s nekim od agenata ostalih vrsta.
Korišćenjem agentima koji preduzimaju jednostavne zadatke grade se složeni agenti, odnosno
elementarni agenti su komponente složenih agenata kojima se donosioci poslovnih odluka
mogu kasnije ponovno koristiti u sistemu podrške odlučivanju.
Agenti e-mail filtriranja ili e-mail agenti bili su jedna od prvih komercijalnih
aplikacija softverskih agenata. Većina tih agenata filtriranja vodi korijen od radova Thomasa
Malonea, Robinsona i drugih koji su kreirali istraživački prototip Information Lens koji
pomaže pošiljaocima i primaocima poruka elektronske pošte.299 On se koristi pravilima
vještačke inteligencije i grafički korisnički interfejs za kreiranje inteligentnog e-mail asistenta
koji može automatski da sortira i memoriše primljene poruke, upozorava korisnike kad
pristižu urgentne poruke i odgovara na poruke zasnovane na sadržaju poruke. Danas, svaki
virtuelni sistem e-mail-a na personalnom računaru ima sposobnost takvog filtriranja.
Agenti elektronske pošte kao podrška poslovnom odlučivanju projektuju se, prije
svega, da pojednostave problem prekomjernih poruka elektronske pošte sa kojima se
donosilac odluke susreće.
Inteligentni agenti imaju posebnu primjenu pri korišćenju intraneta. To su aplikacije
za koje se navode osnovni parametri za pretraživanje ili za kreiranje CGI. Kako je Internet
ogroman i glomazan resurs donosiocu odluke je teško da pronañe ono što mu je zaista
potrebno, tako da to prepušta inteligentnom agentu koji automatski čuva važne informacije u
odgovarajućim oblastima intraneta. Na ovaj način se donosiocima odluka i drugim
korisnicima pruža mogućnost da sve vrijeme imaju trenutni pristup najnovijim informacijama
relevantnim za odlučivanje. Novu tehnologiju predstavljaju i softverske aplikacije, kao što je
WebWhacker, koje mogu da budu programirane da provjeravaju relevantne Web lokacije u
toku noći i učitavaju ih u računar korisnika tako da ih korisnici mogu brzo pregledati, a mogu
se prikazati na intranetu za sve njegove korisnike.300
Aktivne baze podataka. Raznovrsni podaci i informacije kojima se preduzeća koriste
za podršku izvršnim menadžerima, analitičarima i donosiocima poslovnih odluka prenose se
od baza za transakcioni proces do skladišta podataka (data warehouse) u kojima se
299 Malone, T. et al. 1991 (May). "Inteligent Information Sharing Systems". Communications ACM, Vol. 30. i
Robinson, M. 1991 (May). "Throut the Lens Smartly". Byte, pp. 177-187. 300 Stankić, R. i Krsmanović, B. 2001. Elektronsko poslovanje. Bijeljina: Srpsko udruženje menadžera, str. 148.
178
pročišćavaju, organizuju, integrišu i optimiziraju za potrebe aplikacija za donošenje odluka.
Pristup podacima u skladištu podataka obezbjeñuje se putem različitih klijent/server
aplikacija, pri čemu je klijent proces ili program koji zahtijeva uslugu a server proces ili
program koji odgovara zahtjevima.
Pojedini autori dijele servere baza podataka na aktivne i pasivne, zavisno od toga da
li funkcionišu pod eksternom ili internom kontrolom. Aktivni server sadrži sopstvenu
kontrolnu logiku i funkcioniše aktiviranjem klijenta, drugog servera i sistemskog dogañaja
dok pasivni server samo izvršava operacije koje klijent posebno zahtijeva.301 Ako se donosilac
odluke koristi pasivnom bazom podataka, putem pasivnog servera, mora se povezati sa
serverom pomoću neke klijent aplikacije, postaviti upit i čekati odgovor. Dva su problema
ovdje moguća: 1. da proces traje dugo i 2. da se veza sa udaljenim serverom uopšte ne
uspostavi. Zbog ovih razloga, za donosioca odluke, mogu da se pojave takoñe dva problema
(1) da se odluka ne donese na vrijeme i (2) da se u proces donošenja odluke ne uključe
relevantne informacije koje bi se mogle naći na serveru.
U aktivnoj bazi podataka, pomoću aktivnog servera baze podataka, donosilac odluke
može da postavi upit, tražiti da on kasnije bude izvršen u što kraćem vremenu ili da se
periodično izvršava i da zahtijeva da mu se rezultati dostavljaju elektronskom poštom.
Aktivnu bazu podataka upotrebljava i većina aplikacija koje se koriste OLAP
tehnologijom u kojima su podaci, za razliku od relacionih baza podataka, smješteni u
multidimenzione baze podataka. OLAP baza podataka je optimizirana za multidimenzione
komparacije.302 OLAP tehnologija i adekvatne baze podataka omogućavaju donosiocu odluka
lakše praćenje trendova i primjenu obrazaca za one podatke za koje su zainteresovani, a
izlazni rezultati mogu da budu otpremljeni na korisnički računar putem elektronske pošte.
Inteligentne mogućnosti Interneta. Internet ima svojstvo inteligentnog sistema jer se
bazira na učenju, ima mogućnosti "osluškivanja" potrošača, kupaca, partnera, konkurencije,
eksperata i drugih faktora koji su relevantni za donosioce poslovnih odluka u poslovnim
sistemima. Konkurentsko okruženje sve vrijeme šalje poslovnom sistemu poruke tako da ih,
uz pomoć Interneta i njegovog distributivnog sistema Web-a, poslovni sistem može iskoristiti
kao konkurentske prednosti. Kao konkurentske prednosti Internet nudi direktan, jeftin,
blagovremen i širok pristup različitim izvorima podataka o proizvodima, konkurenciji,
potrošačima, tržištu, političkim, socijalnim i tehničkim kretanjima i sl. Različite vrste Internet 301 Schur, S. 1994. The Database Factory: Active Database for Enterprise Computing. New York: Wiley. 302 Dejesus, E. 1995 (April). "Dimenzion of Data". Byte, pp. 139-148.
179
pretraživača imaju visok stepen inteligencije i mogu da posluže za filtriranje bitnih podataka
za donosioca odluka na osnovu predmeta, imena i područja koje korisnik definiše.
Personalizovane novine i časopisi. U eri razvoja informacione tehnologije moguće je
u stonom i kućnom izdavaštvu kreirati novine i časopise sa informacijama po želji i
potrebama korisnika. Pored toga moguće je koristiti elektronske novine za sakupljanje
potrebnih podataka i informacija o konkurentskom okruženju u kome poslovni sistem djeluje.
Postoji više agenata filtriranja koji prepoznaju profil korisnika i na osnovu njihove
zainteresovanosti, pomoću Web-a ili e-mail-a, šalju potrebne članke u sažetoj formi ili u
formatu kolekcije informacija do kojih se dolazi pomoću odgovarajućih menija. Većina takvih
agenata filtriranja prati zbivanja iz okruženja poslovnog sistema. Meñutim, novosti koje su od
interesa za donosioca poslovne odluke, u većini slučajeva, dolaze iz organizacije kao
poslovnog sistema i iz tzv. "tvrdih" i "mekih" izvora. Bilo da se radi o eksternim ili internim
ili " hard" ili "soft" izvorima moguće je, uz primjenu nove informacione tehnologije,
personalizovati novine, oblikovati ih u elektronske izvještaje i prilagoditi ih, pomoću pravila
filtriranja, individulanom čitaocu. Većina takvih novina ima naslovnu stranicu i nekoliko
članaka razvrstanih po odjeljcima.
Zahvaljujući pojavi distribuiranih objektno-orijentisanih operativnih sistema,
Internetu i distribuiranoj vještačkoj inteligenciji inteligentni sistemi podrške dobijaće sve više
na značaju u novoj organizacionoj formi i virtuelnom poslovanju poslovnih sistema.
Inteligentni sistemi podrške u budućnosti imaće sve veći značaj u procesu donošenja odluka
koje zahtijevaju obradu velike količine podataka i stvaranju informacija i znanja relevantnih
za poslovno odlučivanje.
Budućnost pretraživanja informacija u složenim informacionim sistemima zavisiće
od razvoja i primjene inteligentnih agenata koji će donosiocima poslovnih odluka
omogućavati da troše manje vremena i napora pri traženju, korišćenju i analizi informacija
relevantnih za odlučivanje. Usmjeravanje korišćenja informacione tehnologije na inteligentne
sisteme podrške odlučivanju, korišćenjem računarskih mreža, a posebno globalne mreže -
Interneta, smanjuje se složenost sistema i povećava efektivnost i efikasnost korišćenja
umrežene informacione tehnologije i raspoloživih informacionih sadržaja potrebnih
donosiocima poslovnih odluka.
180
4.6 Integrisanje naprednih sistema podrške odlučivanju Kompleksni problemi mogu se rješavati efikasno i efektivno neuronskim
izračunavanjem, ekspertnim sistema, genetskim algoritmom i fuzzy logikom. Svaka od ovih
metoda različito i na svoj način bavi se neizvjesnošću i dvosmislenošću, ali ove tehnologije
mogu da se kombinuju da bi se upotrijebile najbolje karakteristike svake metode i da bi se
postigli optimalni rezultati. Kombinacija neuronskih mreža i fuzzy logike može da dovede do
sinergije kojom se povećava brzina, smanjenje greške i vrše razna dodatna prilagoñavanja. 303
Postoji više integracija naprednih sistema podrške odlučivanju (tabela 4.6):
- sistemi koji se zasnivaju na pravilima i neuronske mreže,
- neuronske mreže i fuzzy logika,
- ekspertni sistemi i neuronske mreže,
- genetski algoritmi i fuzzy logika,
- neuronske mreže, ekspertni sistemi i fuzzy logika
4.6.1 Fuzzy neuronske mreže
Fuzzy neuronske mreže predatavljaju kombinaciju fuzzy logike s vještačkim
neuronskim mrežama. Ova integracija odvija se u dva pravca: (1) fazifikacija i
(2) defazifikacija.
Fazifikacija. Ulazne i izlazne varijable mogu da se obrañuju pomoću fuzzy logike
prije nego što se unesu u neuronsku mrežu za učenje.
Defazifikacija. Neuronska mreža preuzima fuzzy ulaze i izlaze da bi se izveo model
koji se, zatim ponovo primjenjuje na originalne ulaze i izlaze.. Ovakve veličine mogu kasnije
da se koriste kao ulazne veličine drugih inteligentnih sistema. Ova vrsta integracije može
takoñe da se primijeni na fuzzy stabla odlučivanja i fuzzy ekspertne sisteme. Dubois, D. et
al.304 i Jeng, P. T. et al.305 koristili su se kombinovanjem fuzzy logike i indukcionim pravilima
da bi produkovali fuzzy pravila.
303 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Pren. Hall, p. 690. 304 Dubois, D. et al. 2003. "On the Representation of Fuzzy Rules in Terms of Crips Rules". Information
Sciences. Vol. 151, pp. 301-326. 305 Jeng, B. T. et al. 1996. "Interactive Induction for Knowladge Acquisition". Expert Systems with Application.
Vol. 10. No 3 and 4, pp. 393-401.
181
Tabela 4.6 Integracije inteligentnih sistema podrške odlučivanju
Integracija Autor(i) Primjena
Sistem zasnovan na pravilima i vještačka neuronska mreža
Deng i Tsacle 306 Rješavanje složenih problema odlučivanja u sistemu utvrñivanja pouzdanosti proizvoda
Sistem koji se zasniva na bazi znanja i vještačke neuronske mreže
Moon i sar.307 Predviñanje pouzdanosti
Mapleston308 Kontrola modeliranja plastike Vještačke neuronske mreže i fuzzy logika Lam i sar.309
Predviñanje i optimizacija procesa oblikovanja keramike
Ekspertni sistemi i vještačke neuronske mreže
Li i Love310 Procjena cijene gradnje
Genetski algoritmi i fuzzy logika Cox311, Li and Kwan 312 Predviñanje Vještačke neuronske mreže, ekspertni sistemi i fuzzy logika
Bartos313 Kontrola motora
Fuzzy neuronska mreža i genetski algoritam
Kuo i Chen314 Podrška odlučivanju pri selekciji narudžbi u elektronskom poslovanju
Meñunarodna investiciona kompanija FuzzyNet koristi se kombinovanjem fuzzy
logike i vještačke neuronske mreže za predviñanje očekivanog prihoda od akcija, gotovine,
obveznica i drugih vrijednosnih papira da bi odredila optimalnu alokaciju novčanih sredstava
i hartija od vrijednosti.315 S obzirom na činjenicu da kompanija investira na globalnom tržištu
bilo je prvo potrebno da se odredi kreditna sposobnost raznih zemalja koja se odreñivala na
osnovu prošlih i procijenjenih performansi ključnih socioekonomskih racija a zatim su se
birale posebne akcije koje su se zasnivale na podacima o kompaniji, industriji (grani) i
ekonomskim podacima. Na kraju se portfolio akcija usklañuje sa predviñanjem kursa,
306 Deng, P. S. and Tsacle, E. G. 2000. "Coupling Genetic Algorithm and Rule-Based Systems for Complex
Decisions." Expert Systems with Applications. Vol. 19. No. 3, pp. 209-218. 307 Moon, Y. B. et al. 1998 (March). "AEWS An Integrated Knowledge-Based System with Neural Networks for
Reliability Prediction." Computers in Industry. Vol. 35. No. 2. 308 Mapleston, P. 1999 (August). "Real-Time Process Control is Said to Provide Perfect Shots". Modern Plastics.
Vol. 29. No. 8. 309 Lam, S. S. Y. et al. 2000 (January). "Prediction and Optimization of a Ceramic Casting Proces Using a
Hierarchical Hybrid System of Neural Networks and Fuzzy Logic". IIE Transaction. Vol. 32. No.1. 310 Li, H. and Love, P. E. D. 1999 (March). "Combining Rule-Based Expert Systems and Artificial Neural
Networks for Mark-up Estimation." Construction Management and Economics. Vol. 17. No. 2. 311 Cox, E. 1999 (September-October). "A Data Mining and Rule Discovery Approach to Business Forecasting
with Adaptive, Genetically-Tuned Fuzzy System Models". PC AI. 312 Li, J. and Kwan, R. S. K. 2003. "A Fuzzy Genetic Algoritm for Driver Scheduling". European Journal of
Operational Research. Vol. 147, pp. 334-344. 313 Bartos, F. J. 1999 (May). "Motion Control Tunes into AI Methods". Control Engineering. Vol. 46. No. 5. 314 Kuo, R. J. and Chen, C. A. "A Decision Support System for Order Selection in Electonic Commerce Based on
Fuzzy Neural Network Supported by Real-Coded Genetic Algorithm". Expert System with Applications. 315 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prent. Hall, p. 691.
182
kamatnim stopama i drugim faktorima koji se otkrivaju analizom novčanih tokova. Tok
informacija u FuzzyNet-u prikazan je na slici 4.19.
Fuzzy neuronska mreža prikazana na slici 4.19, koja se naziva FuzzyNet, sastavljena
je od tri modula: (1) generator funkcija pripadnosti, (2) fuzzy informacioni procesor i (3)
backpropagation neuronska mreža. Moduli su meñusobno povezani i svaki od njih izvršava
različiti zadatak u procesu donošenja odluke.
Slika 4.19 Tokovi informacija u fuzzy neuronskoj mreži
Izvor: Turban, E. et. al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prent. Hall, p. 692.
Generalno posmatrano arhitektura fuzzy neuronske mreže sastoji se od:316
- ekspertnog sistema koji obezbjeñuje neophodno znanje,
- neuronske mreže koja upravlja predviñanjem na osnovu podataka iz baza i
- fuzzy logike koja procjenjuje faktore za koje ne postoje pouzdani podaci.
316 Turban, E. et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Prentice Hall, p. 692.
Generator funkcije pripadnosti
Fuzzy procesor informacija
IF uslov THEN akcija
Istorijski podaci za generisanje funkcija pripadnosti
Funkcije pripadnosti
Fuzzy pravila i inicijalni težinski faktori pravila Istorijski podazi za treniranje mreže Trenutni podaci za željene ciljeve
Backpropagation neuronska mreža
Ciljevi (rejting zemlje ili
rejting akcije)
Produkcija pojedinačnih pravila
Kombinovana izlazna pravila
183
4.6.2 Genetski algoritmi i neuronske mreže
Pomoću metoda genetskog učenja pronalaze se pravila u velikim bazama podataka
ako se uvedu pravila iz konvencionalnog ekspertnog sistema ili drugog inteligentnog sistema.
Karakterističan način integrisanja genetskog algoritma i modela neuronskih mreža
jeste upotreba genetskog algoritma za traženje potencijalnih težinskih faktora pridruženih
povezivanju neuronske mreže.317 Dobra genetska metoda učenja može značajno da redukuje
vrijeme i napor neophodne za pronalaženje optimalnog modela neuronske mreže.
Godine 2003. razvijen je hibridni sistem za voñenje troškova koji se zasnivaju na
aktivnostima318, dok je, iste godine, predstavljena hibridna inteligentna metodu za modeliranje
elektronskog upravljanja dokumentima (EDM), odnosno procesa elektronske obrade
dokumenata.319
317 Ibid, p. 692. 318 Kim, K. and Han, I. 2003. "Application of Hybrid Algorithm and Neural Network Approach in Activity-Based
Costing". Expert Systems with Applications. Vol. 24. No. 1, pp. 73-77. 319 Wang, Y. 2003. "Using Genetic Algorithm Models to Solve Course Scheduling Problems". Expert Systems
with Applications. Vol. No. 1, pp. 39-50.
184
185
5 INFORMACIONO-KOMUNIKACIONA PODRŠKA INTЕLIG ЕNTNIM SISTЕMIM А POSLOVNOG ODLUČIVANJA
5.1 Kоmpоnеntе i funkci је tеlеkоmunikаciоnih sistеmа Ograničene prirodne sposobnosti čovjeka da šalje i prima informacije, s jedne strane,
i njegove intelektualne sposobnosti, s druge strane, prisilile su ga da pronañe i stalno
usavršava posrednike za meñusobno komuniciranje. Unapreñivanjem načina i sredstava
meñusobne komunikacije čovjek je od početka civilizacije nastojao da unaprijedi načine
meñusobne komunikacije, posebno oblike meñusobne komunikacije na daljinu poznatim pod
nazivom telekomunikacije.320
Bez obzira na činjenicu da su se telekomunikacione tehnologije pojavile gotovo vijek
i po ranije od informacionih tehnologija, danas se one, u njihovom funkcionisanju, gotovo da i
ne mogu razdvojiti. Posmatrano s aspekta podjele zadataka izmeñu ove dvije tehnologije
može se govoriti o integraciji i kooperaciji telekomunikacionih sredstava i sredstava
informacione tehnologije pri obavljanju jedinstvenih poslova obrade podataka i informacija
koji mogu da se podijele u dva segmenta: (1) segment obrade ili transformacije podataka i (2)
segment prenosa ili transfera podataka.321 Meñutim, za poslovno odlučivanje i savremeno
komuniciranje uopšte ova dva segmenta treba posmatrati integrisano tako da se obrada i
prenos odvijaju u realnom vremenu, odnosno da korisnici – donosioci poslovnih odluka
meñusobno razmjenjuju informacije i znanje koji su rezultat istovremenog funkcionisanja
telekomunikacionog sistema i informacione tehnologije.
Povezivanje telekomunikacionih sredstava i informacione tehnologije objedinjuje
transformaciju i transfer podataka. Naime, za donošenje kvalitetnih poslovnih odluka
donosiocima su potrebni adekvatni podaci, informacije i znanje iz različitih izvora, a
telekomunikacioni sistem i odgovarajuća informaciona tehnologija moraju da omoguće
direktan pristup informacionim resursima i resursima znanja koji sadrže potrebne informacije
i znanje za donošenje odluka.
320 Marić, V., Stojanović, D. 2003. Informacioni sistemi, Banja Luka: Ekonomski fakultet, str. 279-280. 321 Isto, str. 280.
186
5.1.1 Komponente tеlеkоmunikаciоnih sistеmа
Skup kompatibilnog hardvera i softvera ureñenog da bi omogućio prenos informacija
sa jednog mjesta na drugo predstavlja komponente telekomunikacionog sistema.
Telekomunikacioni sistem može da prenosi tekstulane, grafičke, zvučne ili video informacije.
Na slici 5.1 prikazan je tipičan primjer funkcionisanja i komponenti telekomunikacionog
sistema.
Slika 5.1 Komponente telekomunikacionog sistema
Izvor: Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper
Saddle River, p. 238.
Bitne komponente telekomunikacionog sistema su:322
1. računar za obradu informacija,
2. terminali ili drugi ulazno-izlazni ureñaji koji šalju i primaju podatke,
3. telekomunikacioni kanali koji povezuju podatke koji se prenose izmeñu ureñaja
koji šalju i ureñaja koji primaju informacije u mreži; komunikacioni kanali
322 Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle
River, p. 237.
Glavni računar Front-end procesor
Centralni računar
Multipleksor
Terminali
Modemi
Modem
Multipleksor
Terminali
Daljinska instalacija
187
koriste se različitim komunikacionim medijumima kao što su telefonske linije,
optički kablovi, koaksijalni kablovi i bežični prenos,
4. komunikacioni procesori kao što su modemi, multipleksori, kontroleri i front-end
procesori, koji obezbjeñuju funkcije podrške za prenos i prijem informacija,
5. komunikacioni softver koji kontroliše ulazne i izlazne aktivnosti i upravlja
ostalim funkcijama komunikacione mreže.
5.1.2 Funkcije telekomunikacionog sistema
Da bi mogao da šalje i prima informacije s jednog na drugo mjesto
telekomunikacioni sistem mora da izvršava niz posebnih funkcija. Telekomunikacioni sistem
prenosi informacije, ustanovljava vezu izmeñu pošiljaoca i primaoca informacija, šalje poruke
duž najefikasnijih puteva, preduzima elementarnu obradu informacija da bi obezbijedio da
prava informacija stigne do pravog primaoca, preduzima poslove ureñivanja podataka kao što
je provjera grešaka pri prenosu i preureñivanje formata i konvertovanje poruka s jedne brzine
(npr. brzine kompjutera) na brzinu komunikacione linije ili sa jednog formata na drugi. Na
kraju, telekomunikacioni sistem provjerava tok informacija. Većina tih zadataka izvršava se
automatski uz pomoć računara.323
Karakteristika telekomunikacionih sistema je da sadrže različite hardverske i
softverske komponente koje funkcionišu zajedno da bi prenijele informacije. Različite
komponente u mreži mogu da pripadaju zajedničkom skupu pravila koja omogućavaju da
komuniciraju jedna s drugom, odnosno skupu pravila i procedura koji upravlja prenosom
izmeñu dviju tačaka i koji se naziva protokol. Svaki ureñaj u mreži mora da bude u
mogućnosti da interpretira protokol drugog ureñaja. Glavne funkcije protokola u
telekomunikacionoj mreži su identifikovanje svih ureñaja u komunikacionoj putanji,
obezbjeñivanje opsluživanja ostalih ureñaja, verifikovanje korektnog prijema transmisione
poruke, zahtjev da se ponovni prenos ako poruka ne može da bude korektno interpretirana i
obnavljanje prenosa informacije ako se pojavi greška.324
Sa stanovišta poslovnog odlučivanja veoma je važno da se poruka prenese u onom
obliku u kojem je primalac očekuje. Takva poruka ima pragmatičnu korisnost za donosioca
odluke, pa, prema tome, ima i vrijednost za donosioca odluke. Ako se prilikom donošenja
323 Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle
River, p. 238. 324 Ibid, p. 238.
188
odluka upotrijebi nepravilno prenesena i pogrešna poruka posljedice za funkcionisanje
poslovnog sistema mogu da budu ogromne. Otuda se telekomunikacionom sistemu i s aspekta
poslovnog odlučivanja daje veliki značaj. To je naročito važno u sistemima grupnog
odlučivanja ako se članovi grupe, odnosno donosioci odluka ne nalaze u istom mjestu, a mogu
da budu i vremenski razdvojeni.
5.1.2.1 Vrste signala u telekomunikacionom procesu
Postoje brojne razlike izmeñu analognog i digitalnog prenosa, pa je važno da se
razumije koje se konverzacije pojavljuju izmeñu analognog i digitalnog prenosa.
Informacije se kreću kroz telekomunikacioni sistem u obliku elektromagnetnih
signala. Signali se predstavljaju na dva načina: analogno i digitalno. Analogni signali se
predstavljaju u kontinuiranom talasnoj formi koja se kreće kroz komunikacioni medijum.
Analogni signali se koriste za upravljanje glasovnom komunikacijom i održavanje varijacija u
visini. Analogna talasna forma ili signal karakterističan je po kontinuiranoj varijabli duž
amplitude i frekvencije.
Analogni ureñaji imaju ograničenu propusnu moć, pa, stoga, ne mogu podržavati
veliku brzinu prenosa. Druga karakteristika analognog prenosa jeste da se smetnje
akumuliraju u obliku signala koji se prenose kroz mrežu. Kako se signal kreće na daljinu on
gubi snagu i postaje slabiji usljed faktora kao što su vlaga u kablu, nečistoća u spojevima ili
prekid kabla na bilo kojem dijelu mreže. Vremenom signal stiže na pojačivač, ali ne samo
oslabljen već i umanjen i sa šumovima. Jedan od problema pojačivača može da bude
nedostatak inteligencije, odnosno da je pojačivač "glup" ureñaj koji sve što zna da uradi jeste
da pojača signal tako da preuzima slab i umanjen signal, pojačava ga i vraća ga na njegov
izvorni nivo jačine. Meñutim, uporedo sa povećanim signalom pojačivač prenosi i povećan
nivo smetnji tako da se u analognoj mreži svaki put kada prolazi kroz pojačivač akumulira
smetnja. Poslije miješanja signala i smetnji te dvije komponente ne mogu se odvojiti i kao
rezultat pojavljuje se visok stepen greške.325
Digitalni prenos prilično se razlikuje od analognog. Na prvi pogled digitalni signal je
vrlo jednostavniji od analognog. Digitalni signal je diskretna a ne kontinuirana talasna forma.
On je niz diskretnih impulsa koji su predstavljeni jedinicama i nulama (bitovima). Većina
računara komunicira uz pomoć digitalnih signala kao što to čine i lokalne telefonske
kompanije i neke veće mreže. Meñutim, ako je klasična telefonska mreža postavljena da
325 Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, p. 36.
189
obrañuje analogne signale, digitalni signali ne mogu da se prenose bez odreñene izmjene.
Digitalni signali, prije prenošenja u analogni sistem, moraju da se prevedu u analogne signale.
Ureñaj koji izvršava to prevoñenje naziva se modem (modulator-demodulator). Za transmisiju
preko obične telefonske mreže modem prevodi računarski digitalni signal u analogni ili vraća
analogne signale u digitalnu formu da bi računar mogao da ih prihvati.
Svaki računar koristi se šemom kodiranja kojom se definišu kombinacije jedinica i
nula i kojom se formiraju alfanumerički znakovi u skupu znakova: mala i velika slova, znaci
interpunkcije, cifre, kontrolni funkcijski tasteri i dr. Način fizičkog prenosa signala u obliku
jedinica i nula kroz mrežu zavisi od toga da li je mreža optička ili elektronska. U elektronskoj
mreži bit-jedan je predstavljen većim naponom (voltažom), a bit-nula manjim naponom. U
optičkim mrežama bit-jedan predstavljen je prisustvom svjetlosti, a bit-nula izostankom
svjetlosti. Jedinice i nule, odnosno stanja uključeno/isključeno prenose se kroz mrežu, a
prijemni ureñaj raspakovaće jedinice i nule da bi odredio koji je znak predstavljen. S obzirom
na to da je digitalni signal jednostavniji za reprodukciju od analognog može se obraditi sa
malo manjom pažnjom u mreži. Umjesto "glupog" pojačivača digitalne mreže koriste se
regenerativnim repetitorima koji se nazivaju i regeneratori signala i koji imaju ulogu da,
obnavljanjem signala, eliminišu smetnje i na taj način da znatno umanje postotak
pojavljivanja grešaka.326
Za poslovno odlučivanje i inteligentne sisteme podrške poslovnom odlučivanju
digitalni signali imaju daleko veći značaj upravo zbog smanjene mogućnosti pojavljivanja
grešeke, a time i sprečavanja donošenja pogrešne odluke. S obzirom na činjenicu da postoje
analogne i digitalne mreže, odnosno da ne postoji potpuno analogna i potpuno digitalna mreža
potrebno je izvršiti konverziju signala iz jednog u drugi tip. Ureñaji koji izvršavaju tu
konverziju su kodek (codec) i modem.
Koder-dekoder (codec327) konvertuje analogne signale u digitalne. Postoje različite
vrste kodera-dekodera za različite namjene. Za tradicionalni javni telefonski sistem (PSTN)
postoje koderi-dekoderi koji minimiziraju broj bita po sekundu koji zahtijeva prenos glasa
digitalno kroz PSTN. U mobilnoj (mobilnoj), mreži zbog ograničenja i dostupnog spektra,
kodek je potreban da bi se dalje kompresovao zvuk i da bi se dobilo na efikasnom korišćenju
spektra. Koder-dekoder se primjenjuje za video komunikaciju koja takoñe zahtijeva vrlo
326 Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, p. 37. 327 codec (coder- decoder) - kodek (koder -dekoder)
190
specifične tehnike kompresije da bi se mogli prenosti signali sa visokom propusnom moći
preko limitiranih kanala.
Tabela 5.1 Karakteristike analognih i digitalnih mreža
Karakteristika Analogna mreža Digitalna mreža
Signal Kontinuirana varijabla i amplitudi i u frekvenciji
Diskretni signal predstavljen kao promjena u naponu ili nivou svjetlosti
Mjera količine prenosa Hz (Herc) Bit po sekundu (bps)
Propusna moć Niska; (4KHz), mala brzina prenosa podataka zbog ograničene propusne moći kanala
Visoka propusna moć koja može da podrži veliku brzinu prenosa podataka i pojavu aplikacija koje obuhvataju video i multimedije
Kapacitet mreže Nizak; jedna konverzacija po telefonskom kanalu
Visok; multipleksori omogućavaju višestruke konverzacije dijeljenjem komunikacionih kanala i, na osnovu toga, ostvarivanje veće efikasnosti transmisije
Mogućnost upravljanja mrežom
Slaba; mnogo napora je potrebno za održavanje i kontrolu mreže jer "glupi" analogni ureñaji ne obezbjeñuju upravljanje tokovima informacija koji omogućavaju ureñajima da se njima upravlja na daljinu
Dobra; pametni ureñaji stvaraju upozorenja, alarme, statistiku saobraćaja i mjerenje performansi, a tehničari u mrežnim kontrolnim centrima ili mrežnim operativnim centrima mogu daljinski da nadgledaju i upravljaju različitim elementima mreže
Zahtijevana snaga Visoka jer signal sadrži širok opseg frekvencija i amplituda
Niska jer samo dva diskretna signala - jedan i nula treba da budu preneseni
Bezbjednost Slaba; u analognom krugu glas se čuje u prirodnom obliku, pa je teško otkriti smetnje
Dobra jer se može koristiti enkripcijom
Stepen greške Visok; 10-5 bitova (1 od 100000 bitova) sigurno ima grešku
Nizak; od 10-7 (kablovi) do 10-11 (optička vlakna)
Izvor: Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, pp. 37-38.
Modem (modulator-demodulator) omogućava transmisiju digitalnih podataka.
Posebni modemi projektovani su da bi funkcionisali na analognim linijama za prenos zvuka.
Postoje modemi namijenjeni isključivo za digitalne ureñaje (ISDN, ADSL).
Mada je moguća konverzija izmeñu analognih i digitalnih mreža, generalno
posmatrano, konverzije su slaba karika u mreži. Prilikom konverzije mogu se pojaviti mrežne
poteškoće, mogućnost pojavljivanja greške i deformisanje. Stoga je, idealno posmatrano,
generalna težnja da se uvede digitalno i optičko okruženje s kraja na kraj slanja signala koje bi
značilo da nigdje izmeñu pošiljaoca i primaoca ne bi bila potrebna konverzija, pa bi se, prema
tome, isključila mogućnost pojavljivanja grešaka koje se odnose na konverziju. Potpuni
prelazak na digitalni i optički prenos informacija i znanja omogućio bi efikasnije i efektivnije
donošenje poslovnih odluka i izbjegle pogrešne odluke kao posljedica konverzije signala.
191
5.1.2.2 Komunikacioni kanali
Komunikacioni kanali predstavljaju način na koji podaci mogu da budu preneseni sa
jednog ureñaja u mreži na drugi. Kanal može da se koristi različitim vrstama
telekomunikacionih transmisionih medija: žičani prenos, koaksijalni kablovi, optički kablovi,
zemaljski mikrotalasi, satelitski i drugi bežični prenos. Svaki od ovih medija ima svoje
prednosti i ograničenja. Mediji prenosa velikom brzinom su obično skuplji, ali oni mogu da
upravljaju većim obimom prenosa i mogu znatno da smanje troškove po bitu informacija.
Prosječni troškovi, odnosno troškovi po bitu podataka mogu da budu niži preko satelitske
veze nego preko iznajmljene telefonske linije ako se organizacija u potpunosti koristi
satelitskom vezom. Postoji takoñe širok opseg brzina mogućih za date medijume, zavisno od
hardverske i softverske konfiguracije.328
Za potrebe poslovnog odlučivanja potrebno je odabrati komunikacione kanale koji će
omogućiti brz i kvalitetan prenos podataka, informacija i znanja u neizmijenjenom obliku, sa
najnižim troškovima i u što kraćem vremenu.
Uspješna komunikacija zahtijeva ispunjavanje dva osnovna preduslova:
1. mogućnost meñusobnog razumijevanja i
2. sposobnost otkrivanja i otklanjanja greške.
Za ispunjavanje prvog uslova neophodno je da pošiljalac i primalac informacija
govore istim jezikom, bez obzira na njihovu meñusobnu udaljenost. Ako ne govore istim
jezikom neće biti u mogućnosti da razumiju poruku. U poslovnom odlučivanju to bi za
rezultat imalo donošenje loše odluke i druge konsekvence koje iz toga proističu. U slučaju
prenosa podataka taj problem rješava se prilično jednostavno. Naime, postoje softverski i
hardverski ureñaji koji mogu da konvertuju različite jezike kojima pojedini računarski sistemi
komuniciraju. Korišćenjem naprednih sistema za obradu teksta i zvuka postoji mogućnost
prevoñenja stranih jezika u realnom vremenu kao dio mrežne usluge.
Drugi uslov za uspješnu komunikaciju jeste mogućnost trenutnog otkrivanja i
ispravljanja grešaka. Inteligentni terminali, prilikom meñusobnog komuniciranja ljudi,
otkrivaće smetnje koje utiču na prenos poruka i zahtijevaće da se ponovnim prenosom
koriguju greške. Slična logika ugradiće se i u krajnje ureñaje za prenos podataka tako da će
moći da otkriju grešku i da zahtijevaju ponovni prenos da bi se greška otklonila.329
328 Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, p. 239. 329 Ibid, p. 22.
192
Od presudnog je značaja za donošenje poslovnih odluka da se ispune oba preduslova.
Ovo je posebno važno za grupno odlučivanje kada je potrebno da članovi grupe meñusobno
komuniciraju i sarañuju, naročito u slučaju prostorne i vremenske dislociranosti.
Nova infrastruktura informacione tehnologije u velikoj je mogućnosti da poveća
produktivnost i konkurentsku prednost ako digitalne informacije preko mreže organizacije
mogu da se prenose neizmijenjene povezivanjem različitih tipova mašina, zaposlenih,
senzora, baza podataka, funkcionalnih dijelova, odjeljenja i radnih grupa. Konektivnost
(spojivost), odnosno sposobnost računara i računarskih ureñaja da komuniciraju jedan sa
drugim i da dijele informacije tako da su one sa punim značenjem, bez intervencije čovjeka,
igra veoma važnu ulogu u sistemu poslovnog odlučivanja.
5.1.3 Promjene i trendovi u telekomunikacionim sistemima
Od mnoštva savremenih tendencija i promjena u telekomunikacijama najvažniji
su:330 (1) tendencija širenja područja primjene računara, (2) usavršavanje mogućnosti
komuniciranja ureñaja sa ureñajem, (3) adaptiranje na nove oblike komuniciranja, (4)
upravljanje novim vrstama aplikacija i (5) povećanje osnovne propusne moći komunikacionih
kanala.
Širenje područja primjene računara podrazumijeva tendenciju da se računari,
pored konfiguracije koja se smješta u samostalna kućištima, ugrañuju u različite predmete i
ureñaje kojima se ljudi koriste svakodnevno. Ti novi objekti, s obzirom da su "pametni",
imaju "osjećaj samosvjesnosti" i mogu da se brinu sami o sebi. Kada se ugrañuje inteligencija
u predmete i ureñaje, stvara se povoljna prilika za biznis, a predmeti i ureñaji moraju da imaju
svoju funkciju i razloge postojanja i stalnog usavršavanja tako da se trošiti više novca i
vremena na njih. Da bi se ponašali u skladu s tim izazovima proizvoñači ureñaja počinju da
povezuju sadržaj i primjenu sa njihovim proizvodima. Rezultat toga je pojava niza
„pametnih” proizvoda: automobila, frižidera, veš-mašina, peći, ureñaja za klimatizaciju,
kabineta, namještaja, kreveta, televizora, četkica za zube i drugih „pametnih” ureñaja.331
Ureñaji sve vrijeme postaju manji, snažniji i inteligentniji, a njihove funkcije
olakšavaju funkcionisanje pojedinca i organizacije. Porast količine inteligencije, koja se
distribuira preko mreže, izaziva promjene profila korisnika i pomaže donosiocima poslovnih
odluka.
330 Ibid, pp. 8-11. 331 Ibid.
193
Usavršavanje meñusobnog komuniciranja računara. Početak 21. vijeka
predstavlja eru sve manjeg meñusobnog komuniciranja ljudi i sve većeg meñusobnog
komuniciranja računara i drugih ureñaja. Prema nekim podacima danas postoji više od 6 mlrd
ljudi na planeti i preko 15 mlrd mikroprocesora. Ureñaji moraju da postanu inteligentniji, a
jedna od karakteristika inteligentnih sistema jeste mogućnost njihovog meñusobnog
komuniciranja. Prema predviñanjima poslije 2010. godine komuniciranje izmeñu računara
biće više od 95%, a tradicionalno meñusobno komuniciranje ljudi predstavljaće svega 5%
mrežnog saobraćaja.332
Prilagoñavanje na nove oblike komuniciranja. Prenos informacija može da se
odvija na više načina preko različitih signala, električnim i optičkim medijima. U današnjem
okruženju telekomunikacije uključuju četiri osnovne vrste saobraćaja od kojih svaki ima
raličite zahtjeve u smislu kapaciteta mreže, tolerancije u odlaganju prenosa, i djelimično
varijacije u odlaganju u mreži i toleranciju za potencijalnu pretrpanost, pa prema tome i
gubitak u mreži.
Govor. Prenos govora ne zahtijeva veliki kapacitet mreže, ali da bi govor bio
razumljiv i jednostavan za korišćenje potrebno je razdaljinu svesti na minimum, a
kontrolisanjem omogućiti tokove govora u realnom vremenu.
Podaci. Prenos podataka odnosi se na razmjenu digitalizovanih informacija izmeñu
dva ureñaja. Zavisno od aplikacije za podršku propusna moć ili kapacitet opreme može da
varira od srednje do visoke. Kako je sve više objekata koji su po prirodi vizuelni (slike i
video) povezano s podacima, povećavaju se zahtjevi u vezi s kapacitetom memorije. Zavisno,
opet, od vrste primjene podataka može da postoji više ili manje tolerancije u odlaganju
prenosa. Izmjene koje se zasnivaju na tekstu uopšte su prilično tolerantne u odnosu na
odlaganje prenosa. Kapacitet prenosa podataka povećava se mnogo brže od povećanja
mogućnosti glasovne komunikacije.
5.2 Ulоgа kоmunikаciоnih mr еža u pоdršci intеligеntnim sistеmimа pоslоvnоg оdlučivаnjа
5.2.1 Razvoj komunikacionih mreža
Veoma ubrzan razvoj poslovnih sistema, u posljednjih nekoliko decenija, doveo je do
širokog korišćenja komunikacionim mrežama radi njihovog meñusobnog povezivanja. Tokom
332 Ibid, p.8.
194
pedesetih godina prošloga vijeka računarski sistemi koristili su se grupnom obradom i
diskretnim datotekama, dok su korisnici papirnu dokumentaciju fizički nosili do računara na
obradu.
Šezdesetih godina prošloga vijeka računarske komunikacije, preko telefonskih linija,
postale su adekvatnije, tako da su se upotrebljavali terminali za unošenje podataka za obradu.
Komunikacija je, prema tome, predstavljala prenos poruke od terminala do računara i prenos
rezultata obrade do korisnika.
Krajem šezdesetih i početkom sedamdesetih godina projektovani su on-line sistemi
koji su funkcionisali u realnom vremenu radi prelaženja sa grupne na pojedinačnu
transakciono orijentisanu obradu. Zbog tih razloga, u to vrijeme, bile su potrebne računarske
komunikacione mreže.
Sedamdesetih godina prošloga vijeka upravljački sistemi baza podataka zamijenili su
diskretne sisteme datoteka, a razvijeni su i integrisani sistemi obrade. Osamdesetih godina
karakteristična je intenzivnija primjena mikroračunara koji su, u početku, služili samo za
razmjenu podataka izmeñu različitih miniračunara i centralnih računara.
Krajem dvadesetog vijeka najvažnija oblast vezana za razvoj računara postajalo je
umrežavanje, odnosno korišćenje WAN, MAN, BN, a posebno LAN mreže. Koncepcija
klijent/server, tzv. klijent/server računarstvo, dramatično je promijenila način interakcije
profesionalnih informatičara i informacionih sistema i korisnika računara s računarom.
U relativno kratkom periodu razvoja mreža računara pojavljivale su se razne
arhitekture umrežavanja od kojih je svaka imala svoj jedinstveni uticaj na varijable mreže.
Tabela 5.2 pokazuje osnovne arhitekture koje su preovladavale u pojedinim periodima od
sedamdesetih godina prošloga vijeka do početka 21. vijeka. Svaka arhitektura neznatno se
razlikuje po karakteristikama komuniciranja, ima neznatne razlike u pogledu zahtjeva za
sigurnošću i kontroli pristupa, ali predstavljala je različitu količinu i konzistentnost saobraćaja
za mrežu. Pojavom nove računarske arhitekture pojavljivali su se i zahtjevi za nove generacije
mrežnih usluga.333
333 Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, p.153.
195
Tabela 5.2 Vremenski okvir arhitektura umrežavanja podataka
Godine Arhitektura Sedamdesete Samostalni mainframe334 računari
Umreženi mainframe računari Početak osamdesetih godina
Samostalne radne stanice Rane do kasnih osamdesetih Lokalne mreže (LAN) Sredina osamdesetih do sredine devedesetih
Umrežavanje lokalnih mreža (LAN internetworking335)
Sredina devedesetih Komercijalizacija Interneta Sredina devedesetih do kraja devedesetih
Mreže voñene aplikacijama
Kasne devedesete Korisnici sa udaljenim pristupom Rane dvijehiljadite Kućno umrežavanje (HAN)
Izvor: Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, p. 154.
Samostalni mainframe računari . Sedamdesete godine prošloga vijeka predstavljale
su eru samostalnih velikih, tzv. mainframe računara. To su bile mreže sa visokom
hijerarhijom. Bilo je to vrijeme povezivanja terminala i centralnih računara. Pri dnu
hijerarhije postojala je gomila pametnih terminala, a jedna grupa tih terminala služila je za
slanje podataka ureñaju na višem nivou hijerarhije koji se često nazivao klaster kontrolor.
Klaster kontrolor bio je odgovoran za upravljanje tokovima saobraćaja u i izvan njemu
podreñenih terminala i za raspored resursa od tih terminala ka vrhu hijerarhije. Po potrebi
jednim brojem klaster kontrolora upravljao je i drugi ureñaj na višem nivou, tzv. front-end
procesor336 koji je služio kao interfejs izmeñu podreñene komunikacione mreže i aplikacija
smještenih u centralnom procesoru. Front-end procesor prvobitno bio je povezan sa
centralnim procesorom u kojem su smještene korisničke aplikacije. U tom periodu samo onaj
terminal koji se nalazio na višem nivou hijerarhije, odnosno koji je nadreñen, od njega mogao
je da ima pristup centralnom procesoru. Ako su se morale koristiti aplikacije koje su
smještene u drugom centralnom procesoru bio je potreban drugi terminal ili više kablova pod
stolom i, po potrebi, izmjena načina povezivanja.
334 mainframe - najveća, najbrža i najskuplja klasa kompjutera koji obično zauzimaju cijelu prostoriju, imaju
velike mogućnosti obrade podataka i uglavnom se koriste za obradu podataka u velikim firmama, koledžima, fabrikama itd. (Tasić, V. Bauer, I. 1998. Rečnik kompjuterskih termina. Beograd: Mikro knjiga, str. 232.)
335 internetworking - umrežavanje više mreža; povezivanje većeg broja kompjuterskih mreža (pomoću specijalnog hardvera i softvera za premošćavanje) tako da se formira jedna mreža visokog nivoa (Tasić, V. Bauer, I. 1998. Rečnik kompjuterskih termina. Beograd: Mikro knjiga, str. 200.)
336 front-end procesor (front-end processor) - pretprocesor, pripremni procesor, procesor koji upravlja predajom i prijemom poruka, otkriva i ispravlja greške u prenosu, sastavlja i rastavlja poruke itd. tako da centralni procesor prima čistu (unaprijed pripremljenu) informaciju (Tasić, V. Bauer, I. 1998. Rečnik kompjuterskih termina. Beograd: Mikro knjiga, str. 161.)
196
Umreženi mainframe računari . Osnovna promjena koja se pojavila ranih
osamdesetih godina prošloga vijeka bila je da su korisnici mainframe računara počeli da se
umrežavaju. To se nazivalo umrežavanjem više područja (domena) koje je omogućavalo
jednom terminalu na radnom stolu da pristupi većem broju centralnih procesora koji su bili
povezani u zajedničku mrežu.
Samostalne radne stanice takoñe su se počele pojavljivati ranih osamdesetih
godina. Generalno posmatrano to se nije dogodilo zato što je odjeljenje za obradu podataka
odlučilo da se premjesti u radnu stanicu, već zato što su tehnički dovitljivi korisnici počeli da
prenose svoje vlastite radne stanice unutar organizacije i tražili od odjeljenja za obradu
podataka ili odjeljenja MIS-a (servisa za upravljanje informacijama) da omogući da se povežu
sa resursima organizacije sa njihovih radnih stanica.337
Lokalne mreže (LAN). Kako su nezavisne radne stanice počele da prodiru
okruženje organizacije počelo se proučavati kako se zapravo podacima treba koristiti. Smatra
se da 80% informacija kojima se organizacija koristi u poslovanju dolazi iz same organizacije,
a samo 20% se razmjenjuje sa drugih lokacija ili drugih entiteta.338 Ova činjenica uticala je na
razmišljanje o mrežama koje će imati ograničene geografske udaljenosti, pa su se iz tih
razloga pojavile lokalne računarske mreže koje su služile užem poslovnom prostoru – jednoj
zgradi ili najviše okruženju nekoliko zgrada u jednom dvorištu. Promjene počinju da se
dešavaju i u načinu prilagoñavanja podataka za mrežu. U okruženju mainframe računara sa
njegovim jednostrukim komunikacijama na relaciji terminal – centralni procesor mogla je da
se predvidi gustina saobraćaja podataka. Nivoi saobraćaja izmeñu datog terminala i
centralnog procesora bili su poznati tako da je bilo moguće da se postave prilično adekvatne
pretpostavke o kapacitetu prenosa podataka izmeñu ta dva čvora u mreži. Meñutim, u LAN
okruženju struktura saobraćaja bila je veoma nepredvidljiva. Nepredvidljivost gustine
saobraćaja nametnula je potrebu fleksibilnosti propusne moći mrežnih servisa.
Od sredine do kraja osamdesetih godina prošloga vijeka glavni akcenat projektovanja
mreže stavljan je na postavljanje lokalnih mreža (LANs) koje su doprinosile povećanju brzine
komuniciranja u korporaciji, povećanju produktivnosti radne snage i reduciranju troškova
povezanih sa raspodjelom softverskih i hardverskih resursa. Povezivanje dijelova korporacije
lokalnim mrežama i unapreñivanje komuniciranja izmeñu pojedinih dijelova organizacije,
337 Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, p. 155. 338 Ibid, p. 155.
197
naročito njihovih menadžera, doprinosilo je i unapreñivanju poslovnog odlučivanja i
uključivanja grupe u donošenje odluka.
Umrežavanje lokalnih mreža (LAN internetworking). S obzirom da su lokalne
mreže prelazile okvir organizacija bilo je neophodno da budu isporučivane zajedno s alatom
za njihovo meñusobno povezivanje. U protivnom „ostrva znanja” koja postoje u datoj
lokalnoj mreži ne bi mogla da komuniciraju s drugim odjeljenjima, klasterima ili divizijama
smještenim na drugim mjestima u organizaciji. Dakle umrežavanje lokalnih mreža ili LAN
interworking dogaña se krajem osamdesetih i početkom devedesetih godina prošloga vijeka i
sa sobom donosi evoluciju, uvoñenje i brzu penetraciju ureñaja meñusobnog povezivanja kao
što su habovi, premosnice, ruteri i drugi ureñaji čija je namjena bila meñusobno povezivanje
posebnih mreža.
Meñusobno povezivanje lokalnih mreža proširuje mogućnost komuniciranja i
saradnje više organizaciono povezanih dijelova organizacije i omogućava njihovom
menadžmentu da unaprijedi poslovno odlučivanje pribavljanjem potrebnih informacija i
znanja sa više lokacija. Na taj način efektivnost i efikasnost donošenja odluka dobija na
značaju.
Komercijalizacija Interneta . Sredinom devedesetih godina, pored drugih
alternativa za mreže podataka, počinje da se pojavljuje i komercijalna upotreba interneta. Prije
1995. godine Internet je uglavnom bio dostupan naučnim i istraživačkim zajednicama i
vladinim organizacijama. S obzirom na činjenicu da Internet predstavlja vrlo efektivan i
ekonomičan način umrežavanja podataka u pogledu troškova, posebno tekstualnih prodornih
tokova podataka imao je značajnu privlačnost za naučni i istraživački svijet. Meñutim, do
uvoñenja World Wide Web-a Internet je uveliko ostao na naučnoj platformi. Intuitivni
grafički interfejsi i navigacione kontrole WWW-a učinili su ga interesantnim i onima koji nisu
vješti u korišćenju UNIX-a. Internet je posebno bio koristan za aplikacije kao što je e-mail za
koji je postao standard i koji je omogućavao razmjenu poruka izmeñu različitih biznisa koji se
koriste različitim sistemima.339 Komercijalizacijom Interneta omogućena je njegova prava
primjena u poslovnom odlučivanju naročito u uslovima grupnog donošenja odluka kada su
članovi grupe prostorno i vremenski odvojeni.
Mreže voñene aplikacijama. Od sredine do kraja devedesetih godina razvijaju se
napredne aplikacije kao što su videokonferencije, kolaboracija, multimedija i medija
339 Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, p. 156.
198
konferencije. To je izazvalo druge promjene u načinu razmišljanja o postavljanju mreže. U
doba hijerarijskih mreža, odluke o mrežnim resursima bazirale su se na količini ureñaja koji
su postojali i na njihovoj meñusobnoj udaljenosti. Meñutim, kada su počele da se razvijaju
napredne aplikacije, koje su imale velike zahtjeve u pogledu kapaciteta i nisu mogle da
tolerišu odgañanje prenosa i tzv. nagomilavanje podataka, počele su i da diktiraju vrstu
potrebne mreže. Prema tome, arhitektura se pomjerala od one koja je voñena ureñajima ka
arhitekturi voñenoj aplikacijom. Zahvaljujući toj činjenici i donosioci poslovnih odluka mogli
su da zahtijevaju odgovarajuću mrežu koja bi bila primjenljiva na aplikacije poslovnog
odlučivanja i na prikupljanje potrebnih informacija i znanja za odlučivanje.
Korisnici sa udaljenim pristupom. U kasnim devedesetim godinama,
smanjivanjem veličine odjeljenja informacione tehnologije i u fizičkom i u troškovnom
smislu, postalo je mnogo jednostavnije da se razviju resursi informacione tehnologije za
korisnike nego da se zahtijeva da korisnici doñu u područje resursa informacione tehnologije.
Udaljeni pristup ili teleworking340 postao je često korišćen individualni pristup koji je imao
prednosti u unapreñivanju produktivnosti zaposlenih, većem moralu i uštedama u
transportnim troškovima. Takoñe, kako su se mnoge velike korporacije smanjivale zaposleni
su sami sebi pronalazili poslove i obavljali različite zadatke iz malih kućnih kancelarija. Ove
karakteristike arhitekture zaposlenih sa udaljenim pristupom fokusirale su se na
obezbjeñivanju odgovarajućih mogućnosti mreže podataka osoblju u njihovim kućama, u
hotelima, na aerodromima i na bilo kojem drugom mjestu odakle mogu da pristupe na mrežu.
Ureñaji su posebno bili projektovani za utvrñivanje autentičnosti i odobravanja udaljenim
korisnicima i da im dopusti pristup lokalnoj mreži organizacije i resursima u njenoj
nadležnosti. Takav pristup posebnu prednost davao je članovima timova grupnog poslovnog
odlučivanja.
Kućno umrežavanje (HAN). Danas se pojedinci u većoj mjeri koriste svojim
stanom ili kućom kao mjestima odakle preduzimaju profesionalne funkcije, pa je sve više
potrebno da umreže inteligentne ureñaje kojima se koriste za rad, edukaciju ili druge
aktivnosti. Prema tome, kućno umrežavanje (kućne mreže, HAN) postaju neophodan novi
mrežni domen kojim se uspješno mogu koristiti i donosioci poslovnih odluka smješteni u
svojim kućama ili stanovima.
340 teleworking - rad preko telekomunikacija; raditi kod kuće, a sa kancelarijom komunicirati telefonom, faksom,
preko elektronske pošte itd. (Tasić, V. Bauer, I. 1998. Rečnik kompjuterskih termina. Beograd: Mikro knjiga, str. 378.)
199
5.2.2 Savremene komunikacione mreže
Da bi se poboljšalo poslovanje organizacije, a posebno donošenje kvalitetnih
poslovnih odluka, neophodna je efikasna razmjena poslovnih informacija izmeñu svih
subjekata organizacije, bez obzira na njihovu prostornu udaljenost. Neophodnost razmjene
podataka, informacija i znanja i korišćenja svih računarskih resursa, te koordinacije aktivnosti
zaposlenih u svim organizacionim dijelovima dovodi do povezivanja geografski dislocirane i
raznovrsne računarske opreme radi izgradnje sveobuhvatne i fleksibilne mreže pomoću koje
se organizacione jedinice povezuju u jedinstven informacioni sistem poznat pod pojmom
korporacijska računarska mreža. Korporacijska mreža povezuje resurse organizacije
(komunikacione, procesorske i resurse masovne memorije) kako bi se njima mogli što
efikasnije i efektivnije koristiti korisnici razmješteni po svim dijelovima organizacije.341
Poseban značaj ove mreže imaju za donosioce poslovnih odluka, naročito kada se radi o
grupnom odlučivanju pri čemu članovi grupe ne moraju da budu na istom mjestu.
5.2.3 Inteligentne mreže
Da bi komunikacione mreže mogle da posluže podršci inteligentnim sistemima
poslovnog odlučivanja i same moraju da imaju inteligentna svojstva. Standardizacijom SS7
od strane Meñunarodne telekomunikacione unije (ITU), u 1980. godini, počinje evolucija
prema konceptu inteligentnih mreža. Podrazumijeva se da inteligentna mreža obuhvata skup
čvorova koji se oslanjaju na široko rasprostranjenu distribuciju funkcija i mogućnosti
upravljanja pozivima.342 Prije pojave inteligentnih mreža korisnici su mogli da imaju samo
usluge i pogodnosti koje su dostupne s njihovih lokalnih razmjena (na lokalnom nivou).
Njihova mogućnost da zahtijevaju i izvrše nove usluge od operatera bila je vrlo usko vezana
za generaciju softvera u lokalnoj razmjeni. Pomoću inteligentnih mreža mogu se
centralizovano postaviti takve vrste usluga i logičke mogućnosti na čvor (kao što je SCP), da
ih onda svaka centrala može dostići i učiniti korisnim te mogućnosti. Cilj inteligentne mreže u
početku bio je da pojednostavi uvoñenje novih usluga u mrežu. Ona takoñe obezbjeñuje
osnovu za složene usluge koje mogu da se zahtijevaju ili žele širom mrežne osnove kao što je
automatizacija funkcija pomoći (podrške) operatera. Zbog postojanja inteligentne mreže, s
jedne strane, i specijalizovanih perifernih ureñaja, s druge strane, računarski sistemi su
341 Stankić, R., Krsmanović, B. 2001. Elektronsko poslovanje. Bijeljina: Srpsko udruženje menadžera, str.56. 342 Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, p. 144.
200
napunjeni posebnim softverom tako da više nije potrebno da operatori postavljaju telefonsku
karticu ili da uspostavljaju poziv.
Inteligentno umrežavanje daje nosiocima mogućnost da direktno razvijaju
funkcionalnost mreže na izlaznim procesorima koji su povezani na centrale, umjesto da
moraju da budu povezani sa svojim proizvoñačem centrale i moraju da se oslanjaju na interni
softver. Glavna karakteristika inteligentne mreže početkom i sredinom osamdesetih godina
prošloga vijeka bio je digitalni prenos koji se primjenjivao na besplatan broj prenosa i
virtuelne privatne mreže. Korisnici moga da razviju jedinstven plan poziva koji identifikuje
njihovu lokaciju, takoñe mogu da kreiraju svoj vlastiti plan numerisanja (dodjele brojeva)
tako da mogu da pozivaju brojeve koji su jednostavniji za pamćenje, a inteligentna mrežna
infrastruktura može da prevodi te privatne brojeve u mrežne fizičke adrese (na primjer:
pozivni broj države, grada ili područja).343
Pored eliminisanja manuelnih postupaka operatera inteligentna mreža omogućava i
identifikaciju primarnog operatera (ako postoji konkurencija) tako da korisnici mogu da
odaberu svoga primarnog operatera. Prenosivost lokalnog broja, koja dozvoljava da korisnik
zadrži sopstveni telefonski broj kada se premješta na novu lokaciju, prilično je novi koncept
koji može da se dobije zahvaljujući sofisticiranoj infrastrukturi inteligentne mreže. Pomoću
prenosa lokalnog broja, mada fizička adresa može da bude različita na novoj lokaciji,
korisnik, ako želi, može da zadrži svoj stari telefonski broj tako da njegovi prijatelji i kolege
mogu jednostavno da ga pozivaju. Ovo je značajno za donosioce poslovnih odluka u grupnom
odlučivanju kada učesnici rada u grupi nisu u jednom mjestu ili često mijenjaju lokaciju.
Meñutim, za pozive pomoću starih brojeva, da bi se postigla nova fizička adresa, mora da
postoji tabela prenosa u mreži koja može da identifikuje tačnu fizičku adresu i da ispravno
usmjeri poziv prema korisniku.
5.2.4 Napredne inteligentne mreže
Sredinom osamdesetih godina prošloga vijeka Bellcore (danas Telcordia)
promovisao je drugu generaciju inteligentnih mreža – napredne inteligentne mreže. Napredne
inteligentne mreže prenose logiku usluga izvan centrale i prema nezavisnom kontrolnom
čvoru usluga (SCP). Napredna inteligentna mreža je uslužno nezavisna arhitektura koja
omogućava operateru da kreira i jedinstveno podržava usluge i karakteristike telekoma putem
343 Ibid, pp. 144-145.
201
zajedničke arhitekturne platforme radi omogućavanja brze kreacije telekomunikacionih
usluga prilagoñenih korisniku.
Napredna inteligentna mreža sastavljena je od inteligentnih čvorova koji su povezani
putem SS7 za podršku širokom krugu usluga i naprednih karakteristika upravljanja pozivima
preko više područja prodavaca. Uvoñenje arhitekture napredne inteligentne mreže zahtijeva
nekoliko dodatnih komponenti. Prvo, uslužni menadžment sistem je okruženje kreiranja
usluga koje obezbjeñuje tehnički i interfejs za predstavljanje usluga korisniku pribavljanjem i
sistemi upravljanja mrežom. Drugo, inteligentni periferni ureñaji su računarske platforme koje
opslužuju veoma specifične namjene ali imaju široke zahtjeve preko mreže (na primjer,
prepoznavanje glasa i mogućnosti sinteze glasa za obradu pomoćnih poziva trećih lica).344
Napredne inteligentne mreže mogu da se koriste za mnoge aplikacije koje obuhvataju
inteligentno usmjeravanje poziva, registraciju lokacije posjetilaca, usluge virtuelnog broja,
aktiviranje poziva glasom, odgovor glasom, prepoznavanje govora i konverzija teksta u
govor.345 Prevoñenje teksta u govorni oblik predstavlja posebnu povoljnost za grupne
donosioce odluka kada su i vremenski i prostorno dislocirani. Infrastruktura inteligentne
mreže naročito je neophodna u mobilnim komunikacijama. Razlog za pretraživanje po
mobilnim (celularnim, cellular346) mrežama je da su inteligentne mreže u mogućnosti da
registruju da li je korisnik predstavljen u domaćoj mreži ili u mreži posjetilaca i mogu da
identifikuju da li je korisnik ovlašćen da se koristi mrežom. Ako je korisnik ovlašćen da se
koristi mrežom, baze podataka inteligentne mreže mogu da identifikuju koje usluge stoje na
raspolaganju korisniku.
5.2.5 Inteligentni agenti u telekomunikacionim mrežama
Telekomunikacione mreže danas obično postoje u velikim, heterogenim sistemima u
okviru šireg okruženja. Komponente mreže razlikuju se po različitim operativnim sistemima,
platformama, jezicima komuniciranja i isporučiocima. Te komponente mogu da budu
inkompatibilne i da zahtijevaju komunikacioni kanal ili link da bi se omogućila kooperacija i
koordinacija unutar mreže. Pored toga evidentan je i porast količine podataka i na strani
ponude i na strani potražnje, kao i značaj i potreba njihovog prikupljanja i distribucije.
344 Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, p.146. 345 Ibid, p. 146. 346 cellular (celularni, ćelijski) - Komunikacioni servis u kome se glas ili podaci prenose pomoću radio
frekvencija. Područje usluga podijeljeno je u ćelije koje opslužuje predajnik. Ćelije su povezane na mobilni prekidački komutator koji je povezan na širokopojasnu telefonsku mrežu (Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, Glossary, p. 494).
202
Interakcija unutar mreže ili mrežnih komponenti je neizbježna zbog nagomilavanja podataka.
Taj fenomen stvorio je niz različitih on-line aktivnosti (oglašavanje, prodaja, pretraživanje,
prikupljanje i prenos informacija) koje izazivaju pretrpanost mrežnog saobraćaja i napora
upravljanja mrežom. To zahtijeva bolje upravljanje prikupljanjem, obradom, distribucijom i
razumijevanjem podataka unutar telekomunikacionih mreža.
Pristup centralnog upravljanja adekvatan je za upravljanje različitim zadacima
sistemom administracije i kontrole saobraćaja ako je mreža ograničena i lokalna. Meñutim,
današnje telekomunikacione mreže stalno se proširuju sa više centara distributivnih aktivnosti
tako da njihov razvoj logično zahtijeva distributivni pristup da bi se ukazalo na pitanja kao što
su putevi, skretnice, konfiguracija, obračun i kontrola, performanse, bezbijednost i pouzdanost
u telekomunikacionim mrežama. Umjesto jednog centralizovanog i obično vrlo velikog
sistema koji preuzima kompletnu kontrolu i inteligenciju mreže, može da se koristi nekoliko
manjih sistema ili agenata koji će pomagati upravljanje mrežom na kooperativan način. To je
motivisalo primjenu multiagentnih sistema u telekomunikacionim sistemima.
Jedno od najvažnijih područja istraživanja u telekomunikacionim mrežama jeste
upravljanje mrežom koji odreñuje alokaciju resursa mreže (kao što je memorisanje podataka,
kapacitet obrade i memorija), otkrivanje i otklanjanje grešaka, administriranje sistemom,
komunikacija duž mrežnih komponenti i sl. Jedan od ciljeva je izbalansirano i pouzdano
priključivanje na mrežu tako da povezivanje na mrežu može da bude ustanovljeno brzo bez
smetnji, odgañanja ili višestrukih pokušaja. Pored toga upravljanje mrežom pomaže da ona
funkcioniše efikasno i efektivno, da se prilagoñava promjenama i reaguje na probleme u vezi
sa strukturom saobraćaja.
Upravljački sistemi za telekomunikacione mreže obično se pojavljuju u četriri
arhitekture: 347 (1) centralizovano upravljanje mrežom, (2) hijerarhijsko upravljanje mrežom,
(3) ravnopravno (peer) upravljanje mrežom i (4) distribuirano upravljanje mrežom.
U centralizovanoj arhitekturi, jedinstveni upravljački sistem upravlja cjelokupnom mrežom,
redovno kontroliše mrežne komponente da bi obezbijedilo besprijekorno funkcionisanje
mreže i reaguje na sva upozorenja i greške koje se odnose na mrežne komponente.
Informacije i podaci koji se odnose na mrežne komponente memorisani su u centralizovanoj
bazi podataka koju puni upravljački sistem. Prema tome, centralni upravljački sistem
koordinira sve funkcije mreže od vrha ka dnu. Porastom i usložnjavanjem mreže jedinstveno
347 Tsatsoulis, K. and Soh, L.-K. 2000. “Intelligent Agents in Telecommunication Network”. CRC Press;
www.ieee.edu, 27.12.2007.
203
centralizovano upravljanje, vrlo često ne zadovoljava potrebe i nije dovoljno efikasno. Stoga
se koristi hijerarhijsko upravljanje mrežom. U toj strategiji upravljački sistemi (menadžeri)
rasporeñeni su hijerarhijski. Na vrhu hijerarhije nalazi se centralni menadžer koji upravlja
grupom pomoćnih menadžera. Svaki pomoćni menadžer po redu (od vrha ka dnu) nadgleda
grupu pomoćnih menadžera na nižem nivou itd. Pored toga, svaki pomoćni menadžer
komunicira samo sa svojim nadreñenim menadžerom sa vrlo malo ili bez interakcije na istom
nivou. Svaki menadžer održava lokalnu bazu podataka sa menadžerima sa višeg nivoa koji
imaju pristup bazama podataka na nižem nivou. Primjetno je da obično takvi pomoćni
menadžeri nisu specijalizovani za aplikacije ili zadatke, već oni upravljaju jednim regionom
cijele mreže. Prema tome, u toj arhitekturi, svaki nadreñeni menadžer koordinira i delegira
zadatke duž podreñenih menadžera obezbjeñivanjem indirektnog kooperativnog okruženja
izmeñu menadžera na nižem nivou hijerarhije. U mreži sa ravnopravnim statusom svih
menadžera postoje posebni menadžeri koji su u mogućnosti da meñusobno komuniciraju.
Svaki menadžer upravlja različitim domenom mreže, komunicira sa svojim susjednim
menadžerima da bi dobio informacije i podatke i kontroliše sopstvenu bazu podataka. Dakle,
ovdje postoji povećan osjećaj za kooperaciju. Na kraju, u distribuiranoj mreži pojedini
menadžeri su specijalizovani za aplikacije ili zadatke prema njihovim specijalnostima i
odgovornostima i svaki ima svoje sopstveno znanje i baze podataka. Meñutim, ova arhitektura
od svojih menadžera zahtijeva najviši nivo kooperacije.
Tehnologije inteligentnih agenata, odmah nakon pojavljivanja, brzo su počele da se
primjenjuju u području telekomunikacionih mreža. Inteligentni agenti u telekomunikacionim
mrežama postaju potrebniji i izvodljiviji jer sadašnja istraživanja i razvojni trendovi pokazuju
da se savremeno komuniciranje fokusira na decentralizaciju i kooperaciju. To je zato što se
današnjim mrežama više ne upravlja korišćenjem pravih centralizovanih strategija kojima se
koordinira sa najvišeg nivoa upravljanja zbog veličine i heterogenosti mreža.
S druge tačke gledišta, cilj tehnologija upravljanja mrežom je da se redukuju rizici i
izlaganje troškovima koji se odnose na funkcije poslovnih sistema. Administratori ili
isporučioci opremaju svoje mrežne komponente softverskim agentima za kontrolu i
prikupljanje operativnih podataka, kao što je statistika grešaka unutar baza podataka, ili da
otkriju neočekivane dogañaje kao što su prekoračenja u konekcijama ili nagomilavanje
saobraćaja.348 Radne stanice platformi menadžmenta prikupljaju podatke o ureñajima ili
348 Yemini, Y. 1993. “The OSI Network Management Model”. IEEE Communication Magazine 31(5), pp. 20-29.
204
odgovaraju na upozorenja o dogañaju koje šalju komponente mreže. Ova upravljačka
paradigma, nakon pojave OSI upravljačkog modela postala je centralizovana u odnosu na
platformu u kojoj su upravljačke aplikacije centralizovane na svakoj platformi, odvojene od
baza podataka i mrežnih komponenti. Svaka upravljačka platforma koristi se zajedničkim
upravljačkim protokolom da bi se pristupilo upravljačkim informacijam koje je obezbjeñivao
agent smješten u mrežnom čvoru. Agent je održavao upravljačke informacije koje su se
nalazile u stablu baze podataka koja je služila kao saobraćajni čvor korišćenjem upravljačkih
objekta za predstavljanje lokalnih mreža, interfejsa i portova. Platforma može da se koristi
protokolom za kreiranje, brisanje, pronalaženje ili izmjenu upravljačkih objekata u modelu
stabla, da poziva akcije ili da prihvata zabilješke o dogañajima. Dakle, mrežni upravljački
sistem je u mogućnosti da rekonfiguriše mrežu kojom upravlja i da blagovremeno i efektivno
odgovara na posmatrane dogañaje.
Mrežni upravljački sistem sadrži četiri vrste komponenti:349
- mrežne upravljačke podsisteme,
- mrežne upravljačke programe koji se izvršavaju na čvoru kojim se upravlja,
- upravljačke protokole i
- upravljačke informacije.
Mrežni upravljački sistem koristi se upravljačkim protokolom da bi komunicirao sa
agentima koji se izvršavaju na čvoru kojim se upravlja. Informacije koje se prenose izmeñu
sistema i agenata definisane su upravljačkom informacionom bazom. Ustanovljeni upravljački
standardi su jednostavni mrežni upravljački protokol i OSI upravljački sistem koji se koristi
zajedničkim upravljačkim informacionim protokolom. Prema tome, mrežno upravljanje ima
sljedeće dodatne funkcije: kontrolu ponašanja, instalaciju komponenti, reviziju i pregled
resursa, pretraživanje informacija i kontrolu ispravnosti.
Mrežno upravljanje posmatra se kao mogućnost sastavljanja i slanja agenata na
udaljene lokacije na kojima su inkoporirani u lokalni mrežni upravljački program i koriste se
za inteligentne zadatke kao što je filtriranje baze upravljačkih informacija. Ta aplikacija
uvlači mobilne agente u posmatranje i kontrolu mreže. Olakšavanjem kretanja ili premještanja
mobilnih agenata u telekomunikacionim mrežama omogućava se asinhrono i kooperativno
izvršavanje zadataka, specijalizacija usluga, konfigurisanje mreže, decentralizacija
349 Sahai, A. et al.1997. "Inteligent Agents for a Mobile Network Manager". Paris: Proceedings of the
IFIP/IEEE International Conference on Intelligent Networks and Intelligence in Networks, pp. 449-463.
205
upravljanja, aktivno korišćenje usluge, inteligentna komunikacija kao što je pregovaranje
izmeñu agenata i dinamički tok informacija.350
U centralizovanom upravljačkom sistemu telekomunikacione mreže ne teže
eleganciji i nedostaje im fleksibilnost. To je zbog teškoće u postizanju i održavanju efikasne
kontrole i izračunavanja pomoću centralizovanog upravljačkog sistema, zahtjeva da sistem
komunicira sa svim komponentama mreže i distribuirane i heteorogene prirode današnje
mreže. Tako je, sa gledišta dizajna, izgradnje i održavanja telekominikacione mreže,
višeagentski pristup svakako izvodljiviji.
Prije desetak godina predloženi su odreñeni standardi koji se odnose na
telekomunikacione mreže:351 okvir mobilnog agenta predložen od Open Management Group
(OMG), OSI protokoli koje je definisala ISO za umrežavanje podataka, Telecommunication
Management Network i Intelligent Networks koji je definisala Meñunarodna
telekomunikaciona unija. Ovi standardi obavezni su za decentralizovani, distribuirani pristup
upravljanju mrežom sa specijalizovanim modulima kao što su agenti i razmatranje mrežnih
komponenti kao posebnih dijelova.
Inkorporiranje agentskih tehnologija i inteligencije u telekomunikacione mreže
ohrabruje intenzivno korišćenje modula obrade informacija, bolje upravljanje i korišćenje
mrežnih komponenti i resursa, modularizaciju i opravdanje stalnog uvoñenja novih mrežnih
komponenti, fleksibilnu konfiguraciju mrežnih komponenti (kao što je arhitektura
samoprilagoñavanja i automatske konfiguracije pomoću plug-and-play tehnike) i
specijalizaciju i prilagoñavanje usluga korisniku.
5.2.5.1 Funkcija i vrste inteligentnih agenata u telekomunikacionim mrežama
Tehnologije agenata u telekomunikacionim mrežama omogućavaju primjenu
inteligentnih agenata u arhitekturi mrežnog upravljanja, mrežnoj dijagnozi, kontroli
saobraćaja kroz mrežu, mrežnim mobilnim platformama, konfiguraciji mreže i kontroli i
proračunima u mreži. Ove tehnologije obuhvataju mobilne agente ili mobilno računarstvo,
inteligentne interfejse izmeñu agenata i korisnika, akumuliranje inteligencije i ekonomsko
modeliranje. Mobilni agenti igraju važnu ulogu u distribuciji inteligencije dok se kreću kroz
mrežu. Mobilnost omogućava agentima da budu kreirani, razmješteni i ukinuti bez prekida
350 Meyer, K. et al.1995.”Decentralizing Control and Intelligence in Network Management”. Santa Barbara:
Proceedings of the Fourth Symposium on Integrated Network Management, pp. 4-16. 351 Cheng, D. T. and Covaci, S.1997.“The OMG Mobile Agent Facility“. Berlin: Proceedings of the First
International Workshop on Mobile Agents, pp. 98 – 110.
206
mrežne konfiguracije. Interfejs agenti služe menadžerima i uče od njih kako da se upravlja
mrežama. Ovo područje istraživanja nije primijenjeno direktno na telekomunikacione mreže,
ali ima mogućnost da automatizuje ili pomogne u zadacima upravljanja sistemom i mrežom.
Akumuliranje inteligencije potiče od funkcionisanja vještačkih organizama u kojem
neinteligentni agenti funkcionišu nezavisno ili sa relativno malom količinom saradnje da bi se
postigli viši ciljevi koji zahtijevaju inteligenciju.
Mobilni agenti, koji se nazivaju i mobilni kodovi, predstavljaju programe koji mogu
da se šalju i izvršavaju na udaljenom mjestu. Odreñeni agenti su razmješteni da bi prikupljali
informacije s udaljenog mjesta, vraćaju se s informacijama i prekidaju rad. Neki mobilni
agenti, jednom lansirani, u mogućnosti su da planiraju, rasuñuju i izvršavaju zadatke na
osnovu sopstvene odluke i da dalje odlučuju o pravcu kretanja kroz mrežu. Mobilni agenti
koji putuju kroz mrežu i upravljaju svojom putanjom pripadaju grupi putujućih agenata. Neki
agenti, kao što su deglets (delagation agents)352, kreirani su sa isključivim zadatkom da šalju
identifikaciju sa posjećenog čvora kreatoru i da putuju po implementiranom migracionom
modelu. Namijenjeni su, takoñe, za pronalaženje i ustanovljavanje konekcije.
Inteligentni interfejsi izmeñu agenata i korisnika. Inteligentni interfejsi (inteligentni
interfejs agenti) komuniciraju s korisnicima ili drugim agentima i uče posmatranjem i
imitiranjem korisnika, direktnim primanjem naredbi od korisnika ili primanjem povratnih
informacija od korisnika. Agenti ponekada, prenosom znanja, mogu da uče jedan od drugog.
Tehnologija inteligentnih interfejsa ili inteligentnih interfejs agenata je važan aspekt prenosa
znanja izmeñu administratora sistema ili mrežnih inženjera i softverskih agenata.
5.2.5.2 Akumuliranje inteligencije
Neinteligentni agenti, ograničenih mogućnosti mogu kolektivno da pokažu
inteligentno ponašanje. Takvi agenti su mobilni agenti, ali sa mnogo manje mogućnosti
izračunavanja i inteligencije. Oni prolaze kroz mrežu i preuzimaju zadatke jednostavne
namjene bez eksplicitnog znanja o konačnom cilju ili mrežnom scenariju i bez direktne
komunikacije ili kontakta s drugim agentima. Ipak, zajednički rad tih skupova agenata može
da ima globalni i inteligentni uticaj na cijelu telekomunikacionu mrežu. Obično su ti agenti
distribuirani i veoma adaptivni na promjene u mreži i saobraćajnoj strukturi i mogu da se
adaptiraju na topologiju mreže, pozivne mogućnosti čvora i privremenu situaciju izazvanu
352 Bieszczad, A. and Pagurek, B. 1998. “Network Management Application – Oriented Taxonomy of Mobile
Code”. New Orleans: Proceedings of the EEE/IFIP Network Operations and Management Symposium, pp. 659-669.
207
slučajnošću poziva. Ovakvi agenti mogu da se koriste i za otkrivanje, lociranje i otklanjanje
grešaka u mreži.
5.2.5.3 Pregovarački agenti
Kooperativni i samoinicijativni agenti komuniciraju unutar zajednice jedan s drugim
da bi postigli meñusobno prihvatljiv dogovor koji se odnosi na cilj pregovaranja.
Pregovarački protokoli omogućavaju mrežnim komponentama da vode inteligentne
komunikacije bilo povećanjem performansi svake komponente ili poboljšanjem cjelokupne
efikasnosti i efektivnosti mreže. Proces se može posmatrati kao distribuirano pretraživanje
prostora potencijalnih dogovora. Obično se pregovarački agenti služe jednom od četiri
tehnike: teorijom igara, pristupom inspirisanim operacionim istraživanjima, Bajesovom
(Bayesian) tehnikom vjerovatnoće i heurističkim modelima.
Pristup teorije igara obično postavlja pretpostavke kao što je ocjena podjele
vjerovatnoće a priori, opšte znanje o preferencijama agenata i druge aspekte igre i perfektne
racionalnosti. Pristup operacionih istraživanja obično involvira decentralizaciju algoritma
izračunavanja. Bajesov pristup usklañuje znanje s faktorom povjerenja koje svaki agent ima o
okruženju i drugima agentima i modelira iterativno pregovaračko ponašanje. Tehnike
heurističkog pregovaranja, kao što je rezonovanje na slučajevima, omogućava agentu da se
koristi bilo kojim skupom prethodnih uspješnih algoritama bez opredjeljivanja za jednu
metodologiju.
Pregovaranje je važno u multiagentskim sistemima u smislu smanjenja troškova,
optimizacije performansi, budžetiranja troškova i autonomije. Agenti pregovaranja koriste se
za otkrivanje i rješavanje odreñenih vrsta karakterističnih interakcija koje se pojavljuju u
telekomunikacionim sistemima.
5.3 Infоrmаciоnе tеhnоlоgiје еlеktr оnskе trgоvinе i еlеktr оnskоg pоslоvаnjа
5.3.1 Elektronsko poslovanje i elektronska trgovina
Globalizacija poslovanja preko globalne računarske mreže posljedica je integracije
informacionih sistema i računarskih mreža. Razvoj globalne ekonomije i komercijalizacija
Interneta dovode do stvaranja novog koncepta poslovanja organizacija čija uspješnost zavisi
od pronalaženja odgovarajuće pozicije poslovnog sistema na svjetskom tržištu. Pronalaženje
odgovarajućeg mjesta u svjetskoj podjeli rada zahtijeva poslovanje organizacije u
informatizovanom poslovnom okruženju u kojem organizacija postaje dio globalnih poslovnih
208
procesa. Razvoj Interneta i umrežavanje organizacija i javne administracije doveli su do
znatnih promjena u načinu funkcionisanja i efikasnosti poslovanja poslovnih sistema.
Jednostavna i brza komunikacija, skoro trenutno prenošenje velikih količina podataka,
informacija i znanja na velike udaljenosti, jednostavno objavljivanje i ažuriranje
multimedijalnih dokumenata i njihova neprestana dostupnost na globalnom nivou, digitalna
isporuka proizvoda i usluga, plaćanje putem Interneta i stvaranje virtuelnih organizacija
predstavljaju elemente novog oblika poslovanja – elektronskog poslovanja. Elektronsko
poslovanje je opšti koncept koji obuhvata sve oblike poslovnih transakcija ili razmjene
informacija pomoću informacione i komunikacione tehnologije izmeñu:353
- preduzeća,
- preduzeća i njihovih kupaca ili
- preduzeća i javne administracije.
Elektronsko poslovanje uključuje i elektronsko trgovanje dobrima i uslugama i može
se posmatrati sa aspekta komunikacija, poslovnog aspekta i aspekta usluga.354 Sa aspekta
komunikacija elektronsko poslovanje predstavlja elektronsku isporuku informacija, proizvoda
i usluga i elektronsko plaćanje korišćenjem računarskih i drugih komunikacionih mreža. Sa
poslovnog aspekta to je primjena tehnologije radi automatizacije poslovnih transakcija i
poslovanja u cjelini, a sa stanovišta usluga elektronsko poslovanje je alat koji omogućava
smanjenje troškova poslovanja i istovremeno povećanje kvaliteta i brzine pružanja usluga.
5.3.2 Informaciono-komunikacione tehnologije elektronskog poslovanja i elektronske trgovine
Ključne aplikacije za elektronsku trgovinu i elektronsko poslovanje su: elektronska
pošta (e-mail), groupware, glasovna pošta, faks, digitalni informacioni servisi,
telekonferencije, konferencije za razmjenu podataka, videokonferencije i elektronska
razmjena podataka jer obezbjeñuju mogućnosti za komuniciranje, koordiniranje i ubrzavanje
toka transakcija naručivanja i prodaje koje se zasnivaju na mreži.355 Primjenom elektronske
pošte smanjuju se troškovi meñusobnog komuniciranja udaljenih dijelova organizacije.
Instaliranjem sistema elektronske pošte moguće je povezati zaposlene u organizaciji bez
obzira na njihovu meñusobnu udaljenost.
353 Stankić, R. 2005. Informatika. Brčko: Ekonomski fakultet, str. 169. 354 Isto, str. 169. 355 Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle
River, p. 251.
209
Iako je elektronska pošta postala važan alat za komuniciranje, ona ne može da pruži
dovoljnu podršku poslovnom odlučivanju. Dodatne mogućnosti pruža groupware – računarski
alat koji omogućava široku komunikaciju i saradnju u organizaciji i podršku grupi,
elektronskim konferencijma i sistemima podrške grupnom odlučivanju. Pojedinci, timovi i
radne grupe na različitim lokacijama u organizaciji mogu da se koriste tim alatom da bi
učestvovali u diskusionim forumima, zajednički ureñivali dokumente i izrañivali projekte.
Digitalni informacioni servisi omogućavaju donosiocima poslovnih odluka, koji su
povezani računarskim mrežama i radnim stanicama, da trenutno iz okruženja organizacije
obezbijede neophodne informacije za odlučivanje bez napuštanja radnog mjesta. Neke od tih
informacija koje se mogu dobiti direktno iz okruženja su: cijene akcija, periodični mjesečni
pregledi, podaci o konkurenciji, katalozi dobavljača, pravni propisi, novinski članci,
reference, vremenska prognoza i sl. U tabeli 5.3 navedeni su vodeći komercijalni digitalni
informacioni servisi, odnosno provajderi i vrste usluga koje oni nude.
Organizacije mogu da se koriste komunikacionim tehnologijama i za pokretanje
programa za učenje na daljinu pomoću kojih mogu da obučavaju svoje osoblje na udaljenim
lokacijama koje ne mora da bude fizički prisutno u učionici. Učenje na daljinu (DL) dogaña
se kada proces učenja obuhvata alate ili tehnologije koje su projektovane da bi se prevazišla
ograničenja učenja u istom mjestu i u isto vrijeme.
Učenje na daljinu predstavlja uzbudljiv, efikasan i efektivan način edukovanja i ima
neograničene mogućnosti za preokret učenja na univerzitetima, društvenim i privatnim
školama. Ono je značajno i za obuku zaposlenih unutar organizacije, posebno obuku
donosilaca poslovnih odluka.
Internet, videokonferencije i alati za saradnju uz pomoć računara, prilagoñeni
okruženju učionice, omogućavaju jeftino i rasprostranjeno učenje na daljinu koje je razvijeno
u nezavisnom sektoru visokog obrazovanja u svijetu u posljednjih nekoliko decenija. Ono
postaje znatno popularnija alternativa tradicionalnim programima i seminarima za sticanje
diplome.
Iako je u početku sporo prihvatano mnoge organizacije uvidjele su prednost učenja
na daljinu putem protoka informacija zasnovanog na Web-u i pomoću sopstvenog intraneta.
Učenje na daljinu je oblik saradnje i upravljanja znanjem koje može da se odvija u tzv.
vremenskom okviru 24/7, odnosno sedam dana po 24 časa. Učenje na daljinu može da se
odvija i na bazi štampanih materijala koji se šalju poštom. Meñutim, iskustva daljinskog
210
učenja govore da je ono u većoj mjeri zasnovano na informacionoj tehnologiji koja obuhvata
videokonferencije, satelitsku ili kablovsku televiziju, intereaktivne multimedije i Web.
Tabela 5.3 Komercijalni digitalni informacioni servisi
Servis Vrsta usluge
America Online
Prodigy
Microsoft Network
Opšte interesovanje i poslovne informacije
Dow Jones News Retrieval
Poslovne i finansijske informacije
Dialog Poslovne, naučne i tehničke informacije
Lexis Pravni propisi
Nexis Vijesti i poslovne informacije
Izvor: Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle River, p. 254.
Odreñeni programi učenja na daljinu koriste se sinhronom komunikacijom u kojoj su
nastavnik i učenik prisutni u isto vrijeme u toku trajanja instrukcija mada su na različitim
mjestima. Drugi programi koriste se asinhronom komunikacijom u kojoj nastavnik i učenik
nemaju interakciju licem u lice i u isto vrijeme ili mjesto. Učenik može, na primjer, pristupiti
Web lokaciji da bi obezbijedio dokumente za obuku, a pomoću elektronske pošte da
komunicira sa svojim instruktorom.356
Koncepcija sinhrone ili asinhrone komunikacije može da se primijeni i prilikom
donošenja poslovnih odluka kada su članovi grupe za odlučivanje prostorno i vremenski
dislocirani. U tom slučaju inteligentne metode i alati mogu da se koriste da bi se razvrstavale
potrebne informacije sa Web-a i elektronske pošte.
5.4 Intеrnеt i nоvе infоrmаciоnо-kоmunikаciоnе tеhnоlogiје
5.4.1 Tehnologija i usluge Interneta
Internet raspolaže nizom mogućnosti kojima organizacije mogu da se koriste za
unutrašnju razmjenu informacija i znanja i da komuniciraju s drugim organizacijama radi
unapreñivanja poslovnog odlučivanja i cjelokupnog poslovanja. Internet obezbjeñuje osnovnu
infrastrukturu za elektronsku trgovinu, elektronsko poslovanje i nastanak digitalnih
356 Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle
River, p. 254.
211
organizacija uopšte. Internet se zasniva na klijent/server tehnologiji. Svi podaci, uključujući i
poruke elektronske pošte i Web stranice memorisani su na serverima.
Tabela 5.4 Klijent platforme Interneta
Ureñaj Opis Primjer
PC Računarska platforma opšte namjene koja može da izvršava više različitih zadataka ali može da bude složena za korišćenje
Dell, Compaq, IBM PC
Net PC Mrežni računar s minimalnom lokalnom memorijom i mogućnostima obrade; projektovan da se koristi softverom i uslugama koje se dobijaju preko mreža i Interneta
Sun Ray
Pager Obezbjeñuje ograničenu elektronsku poštu i pretraživanje Web-a
BlackBerry357
Inteligentni (pametni) telefon (Smart Phone)
Raspolaže malim ekranom i tastaturom za pretraživanje Web-a i razmjenu poruka kao i glasovnu komunikaciju
Nokia 7110
Ureñaj za igru (Game Machine)
Ureñaj za igru s modemom, tastaturom i mogućnostima da funkcioniše kao terminal za pristup na Web
Sega Dreamcast358
PDA Bežični personalni digitalni asistent u obliku malog pomoćnog računara nalik na hemijsku olovku s ugrañenim bežičnim telekomunikacionim ureñajem sa potpuno digitalnim komunikacionim prenosom
Palm VII
E-mail aparat (E-mail Machine)
Ploča sa tastaturom koja obezbjeñuje tekstualne mogućnosti; zahtijeva povezivanje na e-mail servis
Mailstation359
Set top box Obezbjeñuje pretraživanje Web-a i e-mail mogućnosti korišćenjem TV aparata i bežične tastature
WebTV360
Izvor: Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle River, p. 268.
Klijent se koristi Internetom da bi zahtijevao informacije od konkretnog Web servera
na udaljenom kompjuteru a server šalje tražene informacije klijentu preko Interneta. Klijent
platforme Interneta ne obuhvataju samo personalne i druge računare već i širok spektar
priručnih i pomoćnih ureñaja i informacionih sredstava od kojih neki obezbjeñuju bežični
pristup Internetu. U tabeli 5.4 navedeni su primjeri nekih od tih ureñaja. Stručnjaci vjeruju361
da uloga personalnog ili desktop računara kao Internet klijenta opada kako se korisnici
357www. blackberry.net 358 www.sega.com 359www. cidco.com 360 www. webtv.com 361 Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle
River, p. 268.
212
orijentišu na ta specijalizovana i jednostavna za korišćenje informaciona sredstva za
povezivanje na Internet.
Serveri namijenjeni Internetu ili specifičnim Internet servisima predstavljaju jezgro
informacija na mreži. Svaka Internet usluga implementirana je pomoću jednog ili više
programa. Sve usluge mogu da se izvršavaju na jednom serveru ili različiti servisi mogu da
budu alocirani na različite mašine (slika 5.2).
Slika 5.2 Funkcionisanje klijent/server koncepcije na Internetu
Izvor: (prilagoñeno) Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.:
Prentice-Hall, Upper Saddle River, p. 269.
Funkcionisanje klijent/server koncepcije može se, ukratko, objasniti na sljedeći
način.362 Softver Web servera prima zahtjeve za Web stranice od klijenta i pristupa Web
stranicama sa diska na kome su one memorisane. Web serveri mogu da pristupe i drugim
informacijama iz aplikacija internog informacionog sistema organizacije i njima pridruženim
bazama podataka i da vrate te informacije klijentu u obliku Web stranice ako klijent to želi.
Specijalizovani posrednici (middleware), uključujući servere aplikacija, koriste se za
upravljanje interakcijom izmeñu Web servera i internog informacionog sistema organizacije
za obradu narudžbi, praćenje zaliha, održavanje kataloga proizvoda i drugih funkcija
362 Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle
River, p. 268.
213
elektronske trgovine. Ako je, na primjer, kupac ispunio on-line obrazac na Web stranici da bi
naručio proizvod posrednik će prevesti zahtjev na Web stranici u naredbe kojima bi se mogao
koristiti interni sistem organizacije za obradu narudžbi i baza podataka kupca.
Najvažniji Internet servisi za poslovanje obuhvataju elektronsku poštu (e-mail),
Usenet newsgroup, LISTSERVs, ćaskanje, Telnet, FTP, gophers i World Wide Web.363
Osnovni Internet servisi i njihove funkcije prikazane su u sljedećoj tabeli.
Tabela 5.5 Osnovni Internet servisi
Servis Funkcija
E-mail Slanje poruka
Usenet newsgroups Diskusione grupe na tablama elektronskih biltena
LISTSERVs Diskusione grupe i razmjena poruka korišćenjem servera za upravljanje listama elektronske pošte
Ćaskanje (Chatting) Interaktivna konverzacija
Telnet Prijavljivanje na jedan računarski sistem i rad na drugom
FTP Prenos datoteka sa računara na računar
Gophers364 Pronalaženje informacija korišćenjem hijerarhije menija
World Wide Web Pronalaženje, formatiranje i prikazivanje informacija (tekst, audio, video, grafika) korišćenjem hipertekstualnog povezivanja
Izvor: Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle River, p. 270.
Elektronska pošta. Internet je postao najvažniji sistem elektronske pošte u svijetu
zato što povezuje mnoge korisnike širom svijeta. Organizacije se koriste Internetom da bi
olakšale komunikaciju izmeñu zaposlenih u različitim odjeljenjima i da bi komunicirale sa
kupcima i dobavljačima. Istraživači i donosioci poslovnih odluka koriste se Internetom da bi
olakšali razmjenu ideja, informacija, dokumenata i znanja. Elektronska pošta na Internetu
omogućila je mnogobrojna zajednička istraživanja i grupno odlučivanje o zajedničkim
projektima mada učesnici takvih projekata mogu da budu udaljeni na hiljade kilometara.
Pomoću odgovarajućeg softvera korisnici mogu jednostavno da prilože dokumente i
multimedijalne fajlove porukama koje šalju pojedincima ili članovima grupe. Prikupljanje
363 Ibid, p. 269. 364 Gopher - gofer, usluga na Internetu sa interfejsom koji se zasniva na menijima i koji je jednostavan za
korišćenje, a služi za pretraživanje informacija koje su memorisane i katalogizirane u okviru servera (gofer - sjevernoamerički sisar iz reda glodara sličnih vjeverici) (Tasić, V. Bauer, I. 1998. Rečnik kompjuterskih termina. Beograd: Mikro knjiga, str. 166.)
214
informacija i znanja pomoću elektronske pošte olakšava proces donošenja odluke jer se
relevantno znanje i i informacije mogu da nañu na jednom mjestu. Inteligentni sistemi
podrške i inteligentne metode razvrstavanja sadržaja sa Web-a i elektronske pošte mogu da
pruže dodatne prednosti donosiocima poslovnih odluka.
Usenet Newsgroups su diskusione grupe širom svijeta u kojima ljudi dijele
informacije i ideje na osnovu definisane teme. Diskusije se preduzimaju u velikim tablama
elektronskih biltena gdje bilo koji član grupe, ili donosilac poslovne odluke u slučaju grupnog
odlučivanja, može da uputi poruku drugima na čitanje. Danas na Internetu postoji više hiljada
grupa koje diskutuju o različitim temama. Svaka Usenet stranica, kojom se upravlja
nezavisno, finansira se posebno.
LISTSERV . Drugi tip javnog foruma, LISTSERV, omogućava da se diskusijama ili
razmjenama poruka upravlja pomoću predefinisanih grupa korišćenjem servera lista
elektronske pošte, umjesto tabli biltena za komuniciranje. Ako korisnik pronañe odgovarajuću
LISTSERV temu i ako je zainteresovan za nju može da se pretplati na takve informacije, pa
će otada, pomoću elektronske pošte, od drugih dobijati sve informacije koje se odnose na tu
temu. Korisnik može, po potrebi, da šalje poruke LISTSERV-eru i one će automatski da se
proslijede drugim pretplatnicima. Danas postoji više hiljada LISTSERV grupa u svijetu.365
LISTSERV servis Interneta može da pruži veliku podršku donosiocima grupnih odluka koji
su prostorno i vremenski alocirani. Donosioci poslovne odluke, naročito ako se radi o
složenim problemima odlučivanja, kakve su, na primjer, strateške odluke, mogu da formiraju
vlastitu diskusionu grupu i da na taj način razmjenjuju informacije, ideje i znanje radi
efikasnog i efektivnog rješavanja problem, odnosno donošenja poslovne odluke.
Ćaskanje (Chatting) omogućava da dvije ili više osoba koje su simultano povezane
na Internet održavaju živu, interaktivnu konverzaciju. Prva generacija alata za ćaskanje bila je
za pisanu konverzaciju u kojoj su učesnici pisali svoja zapažanja korišćenjem tastature i
čitanjem odgovora na ekranu svoga kompjutera. Danas je popularno glasovno ćaskanje kao
što je ćaskanje koje nudi Yahoo Chat.366 Najnovija karakteristika čat servisa, koja znatno
može da podrži poslovno odlučivanje i inteligentne sisteme poslovnog odlučivanja, jeste
trenutna razmjena poruka koja omogućava učesnicima da kreiraju svoje vlastite privatne
kanale za ćaskanje. Sistem trenutne razmjene poruka upozorava korisnika kada je neko sa
365 Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle
River, p. 270. 366 www.yahoo.com
215
privatne liste direktno "na vezi" tako da korisnik može da inicira sesiju ćaskanja sa tim
učesnikom. Postoji nekoliko konkurentnih sistema za trenutnu razmjenu poruka uključujući
Yahoo Messenger367 i America Online's Instant Messenger368. Neki od tih sistema
obezbjeñuju trenutnu glasovnu komunikaciju tako da korisnik može da klikne na dugme
"talk" da bi uspostavio direktnu konverzaciju sa drugim korisnikom.
Ćaskanje može da bude efektivan poslovni alat, naročito koristan u grupnom
odlučivanju prilikom donošenja hitne poslovne odluke, ako donosilac odluke može da izvuče
korist iz interaktivne konverzacije i postavi odreñeno vrijeme za sastanak i razgovor o datoj
temi. Mnogi on-line trgovci na malo pojačali su svoje Web stranice servisima ćaskanja za
atraktivne posjetioce da bi stimulisali ponovnu kupovinu i unaprijedili servisiranje kupaca.369
Telnet omogućava korisniku da bude na jednom računarskom sistemu dok radi na
drugom. To je protokol koji ustanovljava brzu vezu koja je bez greške izmeñu dva kompjutera
dopuštanjem da korisnik može, na primjer, da se prijavi za rad na poslovnom računaru sa
udaljenog računara ako je na putovanju ili da radi od kuće. Korisnik može da se prijavi za rad
na računaru treće strane koji je javno dostupan, kao što je, na primjer, korišćenje kataloga
proizvoda ili usluga neke druge organizacije.
FTP (File Transfer Protocol) se upotrebljava za pristup i pretraživanje dokumenata
na udaljenom računaru. FTP je brz i jednostavan metod ako korisnik zna Web lokaciju
udaljenog računara na kome su dokumenti memorisani. Nakon prijavljivanja na udaljeni
računar korisnik može da se kreće po direktorijumima koji moraju da budu dostupni za FTP
za pronalaženje fajlova koji treba da se pretražuju. Kada se fajl locira FTP vrlo jednostavno
vrši transfer fajla do računara korisnika. Na ovakav način donosioci poslovnih odluka dolaze
do dodatnih informacija i dodatnog znanja neophodnog za odlučivanje.
Gophers. Većini dokumenata i digitalnih informacija kojima se može pristupiti
pomoću FTP može se pristupiti i pomoću gophers alata. Gopher370 je računarski alat klijenta
koji omogućava korisnicima da pronañu informacije koje su memorisane na Internet gopher
serverima pomoću niza hijerarhijskih menija jednostavnih za korišćenje. Internet širom svijeta
raspolaže sa više hiljada stranica na gopher serverima. Svaka gopher lokacija sadrži sopstveni
367 www.messenger.yahoo.com 368 www.aim.com 369 Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle
River, p. 271. 370 Ibid, p. 272.
216
sistem menija naveden prema predmetu i dogañaju tema, lokalne fajlove i druge relevantne
gopher lokacije.
Jedna gopher lokacija u svom meniju može da sadrži više hiljada spiskova Web
lokacija. Kada korisnik upotrebljava gopher softver, da bi istražio odreñenu temu, i kada
odabere stavku iz menije, koja se odnosi na tu temu, server automatski povezuje korisnika s
odgovarajućom datotekom na tom serveru ili na odabranim serverima na kojima se datoteka
nalazi. Čim se na tom serveru proces nastavi korisniku je predstavljeno više menija fajlova i
drugih gopher servera koji mogu da ga interesuju.
Korisnik gopher servera može da se pomjera sa stranice na stranicu i da sužava svoje
pretraživanje pronalaženjem informacija koje se nalaze na bilo kojoj lokaciji u svijetu.
Zahvaljujući deskriptivnim spiskovima menija, koji su povezani sa drugim gopher
lokacijama, korisnik ne mora unaprijed da zna gdje su relevantne informacije memorisane ili
tačnu FTP adresu odreñenog računara.
Ove činjenice imaju veliki značaj za donosioce strateških poslovnih odluka kada se
prikupljaju informacije o konkurenciji i relevantno znanje neophodno za izbor odgovarajućih
strategija za borbu protiv konkurencije.
5.4.2 Pretraživanje informacija na Web-u potrebnih za podršku odlučivanju
Pronalaženje odgovarajućih informacija na Web-u relevantnih za odlučivanje veoma
je važna i složena funkcija s obzirom na to da, prema nekim istraživanjima, postoji više
milijardi Web stranica sa tendencijom dupliranja njihovog broja svakih šest do osam mjeseci.
Osim toga ne postoji sveobuhvatan katalog Web stranica. Osnovne metode pronalaženja
informacija na Web-u su direktorijumi Web lokacije, programi za pretraživanje (search
engines371), broadcast 372 ili tehnologija guranja (push technology373).374
Internet pretraživači obično kreiraju sopstvene kataloge Web lokacija i adresa da bi
obezbijedili alate za pretraživanje i pronalaženje informacija. Primjeri takvih pretraživača su
Yahoo, Google, AltaVista i dr. Organizacije ili pojedinci mogu da pristupe odgovarajućim
371 search engines - program koji pronalazi i daje pregled Web lokacija i koji se projektuje pomoću URL. 372 broadcast - simultani prenos informacija na više lokacija koji može da se izvršava preko višečvorne linije na
sve terminale koji dijele tu liniju ili preko radio ili TV kanala svim primaocima priključenim na taj kanal (Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, Glossary, p. 491.)
373 push tehnologija - tehnologija guranja; program za ažuriranje vijesti ili odabranih informacija na interfejsu računara korisnika periodičnom i obično nenametljivim prenosom informacija preko WWW (World Wide Web-a (Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, Glossary, p. 540.)
374 Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle River, p. 274.
217
stranicama zavisno od njihovog interesa i da ih, po potrebi, razvrstaju na osnovu odreñenog
kriterijuma. Za donosioce poslovnih odluka veoma je važno da se informacijama pristupi na
vrijeme i da se odluka donese prije konkurencije.
Ne zahtijevaju svi alati pretraživanja na Internetu da se unaprijed izvrši klasifikacija
Web stranica. Takvi alati su pomenuti search engines koji pronalaze Web stranice koje mogu
da budu malo poznate. Oni su snabdjeveni softverom koji traži Web stranice koje sadrže jedan
ili više termina pretraživanja, a zatim prikazuju odgovarjuće teme rangirane po metodi koja,
obično, obuhvata lokaciju i učestalost pojavljivanja traženih termina. Da bi se pomoglo u
rangiranju Web stranica neki pretraživači zahtijevaju pomoć eksperata. Ovakvi pretraživači ne
prikazuju informacije o svakoj stranici na Web-u, već kreiraju indekse o posjećenim Web
stranicama. Softver za pretraživanje pronalazi stranice za koje je korisnik zainteresovan
pomoću tih indeksa. Primjeri takvih pretraživača su AltaVista, Lycos, GO.com. Za podršku
inteligentnim sistemima poslovnog odlučivanja potrebno je primjenjivati obuhvatnije
pretraživače koji imaju mogućnost pronalaženja i klasifikovanja Web stranica po vrsti
predmeta koje sadrže. Specijalizovani alati pretraživanja na Internetu, kao što je Google, u
mogućnosti su da pomognu korisnicima da jednostavno pronañu posebne vrste informacija i
znanja i početne stranice (home pages) kompanija i organizacija.
Postoje dva osnovna načina identifikovanja Web stranica koje se prate pomoću
pretraživača. Prvi je posjedovanje registar vlasnika URL adresa pomoću Web lokacije
pretraživača. Drugi je korišćenje softverskim agentima poznatim pod nazivom pauci (spiders)
i roboti (bots375) za prelazak po Web-u i identifikovanje Web stranica za indeksiranje.
Softverski agenti ili softverski roboti sa ugrañenom inteligencijom (softbots376) mogu da
pomognu korisnicima da pronalaze informacije na Internetu koje mogu da se kupe. Agenti
kupovine (shopping bots377) pomažu osobama koje su zainteresovane da postave filter
kupovine i pronañu informacije o proizvodima za koje su zainteresovani, da ocijene proizvode
375 bots - inteligentni softverski agenti; skraćenica od robot(i); obično se ovaj termin upotrebljava kao dio
drugog termina, na primjer, knowbots (agenti znanja), softbots (softverski agenti) ili shopbots (agenti prodaje) (Turban et al. 2005.Decision Support Systems and Intelligent Systems. N.J.: Pearson Education, Inc., Upper Saddle River, Glossary, p. 849.)
376 softbots (intelligent software robots) - softverski agenti sa mogućnostima učenja (Turban et al. 2005.Decision Support Systems and Intelligent Systems. N.J.: Pearson Education, Inc., Upper Saddle River, Glossary, p. 862.)
377 shopping bot - softver s različitim nivoima ugrañene inteligencije za pomoć kupcima u elektronskoj trgovini da pronañu i ocijene proizvode ili usluge koje žele da kupe (Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle River, p. 274)
218
konkurencije u skladu sa postavljenim kriterijumima i da pregovaraju s dobavljačima o cijeni
i rokovima isporuke.378 U tabeli 5.6 prikazani su primjeri nekih agenata elektronske trgovine.
Tabela 5.6 Agenti elektronske trgovine
Agent Opis
MySimon Agent kupovine koji radi u realnom vremenu i može da pronañe više od 1000 učlanjenih i neučlanjenih trgovaca u 90 vrsta
BestWebBuys.com Uporeñuje cijene za najbolje aranžmane za knjige, muziku i bicikla
Metaprices.com Pronalazi cijene knjiga, CD, videa i softvera. Obuhvata mogućnosti za bežični pristup i lične kupovne liste
AuctionBot Omogućava prodavcima da postave svoje vlastite aukcije na kojima kupci i prodavci mogu da smjeste ponude u skladu sa protokolima i parametrima koji su ustanovljeni za aukciju. Korišćenjem AuctionBot prodavci kreiraju aukcije biranjem vrste aukcije i parametara kojima žele da se koriste. Zatim AuctionBot upravlja upitom kupca u skladu s navedenim parametrima.
Izvor: Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle River, p. 275.
Tehnologija inteligentnih agenata može da unaprijedi B2B transakcije tako da
pomaže dobavljačima da prikupljaju ponude za svoje proizvode od kupaca, podržava
donošenje odluka o kreditu, pregovaranje u vezi sa odredbama ugovora i sklapanje aranžmana
u vezi sa isporukom roba i usluga.379
5.4.3 Uloga bežičnog Web-a u intelegintnim sistemima podrške odlučivanju
Mobilna trgovina (mobile commerce, m-commerce) odnosi se na upravljanje
elektonskom trgovinom sa mobilnih računarskih ureñaja koji se obično zasnivaju na bežičnim
mrežama i mogu da budu povezani na Internet koji omogućava upravljanje transakcijama bez
obzira na mjesto na kojem se korisnik nalazi. Pored toga, većina zaposlenih u kompaniji može
da bude mobilna, a da obavlja poslove od kuće na Web lokacijama klijenata ili na putu. Takvo
osoblje mora da sarañuje i komunicira sa zaposelnima u kancelariji i da pristupa podacima
organizacije brzo i na adekvatan način. Ove mogućnosti obezbjeñuju se pomoću mobilne
trgovine (m-commerce).380 Implementacija mobilne trgovine zahtijeva različite infrastrukture:
378 Maes et al. 1999 (March). "Agents that Buy and Sell". Communications of the ACM 42. No 3. 379 Papazoglou, M. 2001 April). "Agent-Oriented Technology in Support of E-Business". Communication of the
ACM 44. No. 4. 380 Turban et al. 2005.Decision Support Systems and Intelligent Systems. N.J.: Pearson Education, Inc., Upper
Saddle River, p.785
219
hardver (telefone, PDA), softver (mikropretraživače, operativne sisteme, aplikativni softver) i
medije bežičnog prenosa (npr. satelite). Neka od osnovnih ograničenja mobilne trgovine su
insuficijencija propusne moći, nedostatak standardnih, bezbjednosnih protokola i druga
ograničenja vezana za bežični prenos.
Posljednjih godina proizvoñači elektronske opreme startovali su s uvoñenjem
standarda za male i veoma brze bežične mreže koje bi služile u kancelarijama, užim
područjima ili kućama i koje bi mogle da obezbijede brzo povezivanje podataka od više od 2
miliona po sekundu (mps). Jedan standard čiji je razvoj u toku i čije je kodno ime bluetooth381
omogućava veoma brzu komunikaciju izmeñu bežičnih telefona, pejdžera, računara i drugih
priručnih ureñaja unutar područja od 100 stopa (30,48 m) tako da ovi ureñaji mogu da
komuniciraju jedan s drugim bez direktne intervencije korisnika. Mobilni ureñaji mogu
bežično da prenose dokumente na štampač da bi se napravila papirna kopija dokumenta.
Korisnici mogu takoñe da sinhronizuju sve svoje mobilne ureñaje bežično sa stonim
računarima u svojim kancelarijama ili kućama. Proizvoñači bežičnih digitalnih ureñaja
usavršavaju standarde za bežični pristup Internetu.382 Ovi ureñaji imaju veliku ulogu u podršci
inteligentnim sistemima poslovnog odlučivanja zbog njihovog doprinosa brzom i efikasnom
komuniciranju izmeñu menadžera svih nivoa i članova grupe u grupnom donošenju odluka.
U okviru elektronske trgovine, kao njena podvrsta, uveden je i pojam mobilna
trgovina (m-commerce383) koja se koristi Internetom za kupovinu roba i usluga, kao i za slanje
i primanje poruka pomoću priručnih bežičnih ureñaja. Pomoću mobilnih telefona, PDA i
drugih bežičnih računarskih ureñaja kojima Internet postaje dostupan, mnogi vjeruju da
mobilna tgovina predstavlja sljedeći talas Internet računarstva.384
Mnogi korisnici smatraju da bežični mrežni ureñaji neće zamijeniti personalne
računare, ali će omogućiti velikom broju korisnika da pristupe Internetu sa bilo kojeg
381 bluetooth - vrlo jeftin čip koji omogućava ureñajima bežični prenos na male udaljenosti; lična digitalna
pomagala (PDA), laptop, mobilni telefoni i bilo koji drugi inteligentni aparati snabdjeveni tim čipom mogu da se povežu i komuniciraju jedan s drugim bežično (Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, Glossary, 490.)
382 Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle River, p. 274.
383 m-commerce (mobile commerce) - m-trgovina, mobilna trgovina; korišćenje bežičnim ureñajima, kao što su mobilni telefoni ili priručna digitalna informaciona sredstva, za voñenje transakcijama elektronske trgovine preko Interneta (Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle River, p. 111)
384 Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle River, p. 277.
220
mjesta.385 M-trgovina postaće značajan podvrsta elektronske trgovine. Poslovni sistemi
uvodiće sve više bežični pristup Internetu u svoje infrastrukture informacione tehnologije tako
da zaposleni u organizaciji mogu da pristupe informacijama bez obzira na to gdje se nalaze, a
donosioci poslovnih odluka donosiće odluke trenutno bez potrebe da budu vezani za svoj
radni sto ili računar. Sadržaj Web-a biće preformatiran i prilagoñen bežičnim ureñajima, a
novi sadržaji i usluge biće posebno projektovani za te nove ureñaje.
Aplikacije bežičnog Web-a omogućavaju mobilnim korisnicima da pristupe
digitalnim informacijama sa Interneta i da budu povezani u bilo koje vrijeme i u bilo kojem
mjestu. Specijalizovani portali usmjeravaće korisnike bežičnih ureñaja prilagoñenih za Web
na informacije koje bi im mogle biti potrebne. Smatra se da bežični Web nije mobilna verzija
Interneta sa fiksnim linijama, već je to u potpunosti novi medij. Tehnologija i usluge mobilne
trgovine učiniće Internet prisutnim svuda u okruženju i obezbijediće pojedincima i grupama
da se koriste uslugama pribavljanja informacija na Web-u bilo kuda da se kreću. Nasuprot
kolekciji odvojenih Web stranica Web će evoluirati u veliki fond izvora podataka kojem se
može pristupiti na vrlo različite načine. Postoji više standarda kojima se upravlja prostorom
bežičnog komuniciranja. Dva osnovna standarda za bežični Web su WAP i I-mod (slika 5.3).
Protokol za bežične aplikacije (WAP) koristi se za transformaciju informacija sa
Interneta koje, uz pomoć razvijene tehnologije, mogu da budu prikazane na malim ekranima
mobilnog telefona ili drugog prenosnog ureñaja. WAP omogućava korisniku mobilnog
telefona standardni način prenosa sadržaja u realnom vremenu i pretraživanje Interneta. WAP
mora da "skine" više informacija od onih koje danas postoje na Internetu, većinom slika i
multimedija – nasuprot očevidnim esencijalnim tekstualnim informacijama, pa tu mogu da se
pojave ograničenja WAP-a kao što su sporost prenosa, teškoće vezane za unošenje Web i
e-mail adresa korišćenjem pojednostavljene tastature mobilnog telefona i nedostatak stranica
koje se kao osnovnim jezikom više koriste WML-om, koji se zasniva na XML i koji je
posebno optimiziran za male ekrane, nego HTML-om. WML, kao i XML, opisuje podatke, a
ne način na koji su podaci prikazani.
Korisnik, telefonom za WAP usluge, pomoću ugrañenog mikropretraživača, kreira
zahtjev u WML-u. Mikropretraživač je Internet pretraživač sa malom veličinom fajla koji
može da funkcioniše s memorijskim ograničenjima priručnih bežičnih ureñaja i propusne
moći bežične mreže. Zahtjev se upućuje ka veznom čvoru (gateway) WAP-a koji pretražuje
385 Ibid, p. 277.
221
informacije na Internet serveru u jednom od standardnih formata HTML ili WML. Gateway
prevodi HTML sadržaj u WML tako da WAP klijent može da ga prihvati. Složenost procesa
translacije može da utiče na brzinu prenosa informacija i na proces donošenja odluka.
Slika 5.3 Odnos WAP-a i I-moda
Izvor: (prilagoñeno) Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle River, p. 280.
I-mod je konkurentni standard koji je uvela japanska mobilna telefonska mreža NTT
DoCoMo. Široko je prihvaćen u Japanu386, a počinje da se uvodi i u Evropu. I-mod se koristi
kompaktnim HTML-om za dostavljanje sadržaja, pa poslovni sistemi mogu jednostavno da
konvertuju svoje HTML Web stranice za mobilni servis. I-mod se koristi paketnim prenosom i
dopušta da korisnici budu konstantno povezani na mrežu, a da snabdjevači sadržaja usmjere
relevantne informacije korisniku.
386 Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle
River, p. 279.
222
223
6 INTELIGENTNI SISTEMI PODRŠKE ODLU ČIVANJU U ELEKTRONSKOM POSLOVANJU
6.1 Infоrmаciоnе tеhnоlоgiје еlеktr оnskоg pоslоvаnjа Globalizacija poslovanja preko globalne računarske mreže posljedica je integracije
informacionih sistema i računarskih mreža. Razvoj globalne ekonomije i komercijalizacija
Interneta dovode do stvaranja novog koncepta poslovanja organizacija čija uspješnost zavisi
od pronalaženja odgovarajuće pozicije poslovnog sistema na svjetskom tržištu. Pronalaženje
odgovarajućeg mjesta u svjetskoj podjeli rada zahtijeva poslovanje organizacije u
informatizovanom poslovnom okruženju u kojem organizacija postaje dio globalnih poslovnih
procesa. Razvoj Interneta i umrežavanje organizacija i javne administracije doveli su do
znatnih promjena u načinu funkcionisanja i efikasnosti poslovanja poslovnih sistema.
Jednostavna i brza komunikacija, skoro trenutno prenošenje velikih količina podataka,
informacija i znanja na velike udaljenosti, jednostavno objavljivanje i ažuriranje
multimedijalnih dokumenata i njihova neprestana dostupnost na globalnom nivou, digitalna
isporuka proizvoda i usluga, plaćanje putem Interneta i stvaranje virtuelnih organizacija
predstavljaju elemente novog oblika poslovanja – elektronskog poslovanja. Elektronsko
poslovanje je opšti koncept koji obuhvata sve oblike poslovnih transakcija ili razmjene
informacija pomoću informacione i komunikacione tehnologije izmeñu: preduzeća, preduzeća
i njihovih kupaca ili preduzeća i javne administracije.387
Elektronsko poslovanje uključuje i elektronsko trgovanje dobrima i uslugama i može
da se posmatra sa aspekta komunikacija, poslovnog aspekta i aspekta usluga.388 Sa aspekta
komunikacija elektronsko poslovanje predstavlja elektronsku isporuku informacija, proizvoda
i usluga i elektronsko plaćanje korišćenjem računarskih i drugih komunikacionih mreža. Sa
poslovnog aspekta to je primjena tehnologije radi automatizacije poslovnih transakcija i
poslovanja u cjelini, a sa stanovišta usluga elektronsko poslovanje je alat koji omogućava
smanjenje troškova poslovanja i istovremeno povećanje kvaliteta i brzine pružanja usluga.
Elektronska trgovina ili e-trgovina (e-commerce) obuhvata kupovinu, prodaju,
transfer ili razmjenu proizvoda, usluga i/ili informacija preko računarskih mreža, uključujući i
Internet. Pojedini autori o elektronskom poslovanju i elektronskoj trgovini posmatraju termin
trgovine samo kao opisivanje transakcije koja se odvija izmeñu poslovnih partnera, dok drugi
387 Stankić, R. 2005. Informatika. Brčko: Ekonomski fakultet, str. 169. 388 Isto, str. 169.
224
autori smatraju da takva definicija prilično ograničava termin elektronske trgovine. Prema
tome, mnogi se umjesto toga koriste terminom elektronsko poslovanje. Elektronsko
poslovanje odnosi se na širu definiciju elektronske trgovine koja ne obuhvata samo prodaju i
kupovinu roba i usluga, već i servisiranje kupaca, saradnju s poslovnim partnerima,
upravljanje elektronskim učenjem i upravljanje elektronskim transakcijama unutar
organizacije. Pojedini autori vide elektronsko poslovanje kao "nešto različito od prodajnih i
kupovnih aktivnosti" na Internetu, kao što su saradnja i aktivnosti izmeñu organizacija. Nije
rijedak slučaj, u praksi i literaturi, da se elektronska trgovina i elektronsko poslovanje
smatraju sinonimima, pa se često, naizmjenično, upotrebljavaju oba termina u istom značenju.
Da bi se postigla potrebna funkcionalnost za učešće u elektronskoj trgovini moraju se
izgraditi tri osnovna stuba (slika 6.1): elektronske informacije, elektronske relacije i
elektronske transakcije.389
Slika 6.1 Osnovni stubovi elektronske trgovine
Izvor: (prilagoñeno) Fingar, P. 1998 (June). A CEO's Guide to eCommerce
Using Object-Oriented Intelligent Agent Technology (http://home1.gte.net/pfingar/eba.htm)
Izgradnja stuba elektronskih informacija, bar u početku, predstavlja jednostavan
zadatak. Web je globalni nosilac dokumenata i drugih oblika multimedija na koji bilo ko može
da postavi informacije. Postojeće informacije u organizaciji moraju se prevesti u
odgovarajuće formate za Web. Da bi organizacija bila uspješna u elektronskoj trgovini mora 389 Fingar, P. 1998 (June). A CEO's Guide to eCommerce Using Object-Oriented Intelligent Agent Technology
(http://home1.gte.net/pfingar/eba.htm)
PROCESI OTVORENOG TRŽIŠTA
ELEKTRONSKE INFORMACIJE
ELEKTRONSKE RELACIJE
ELEKTRONSKE TRANSAKCIJE
POSTOJEĆI TRŽIŠNI PROSTOR
225
da izgradi centralni stub – elektronske relacije. Uspostavljanje relacija odvija se putem Web
stranica koje moraju da budu inovativne, da dodaju vrijednost, obezbjeñuju informacije i
interakciju koje na drugi način nisu dostupne.
Mogućnost da se upravlja elektronskim transakcijama, treći stub elektronske
trgovine, najmanje je razvijen. Primjetne i realne poteškoće morale bi da budu otklonjene
prije nego što elektronske transakcije postanu široko rasprostranjen način završavanja
sklapanja ugovora i plaćanja.
Ključna tehnologija za elektronsku trgovinu i elektronsko poslovanje jeste
elektronska razmjena podataka (EDI) s obzirom na to da omogućava razmjenu standardnih
dokumenata za transakciju kao što su fakture, tovarni listovi, narudžbenice i drugi dokumenti
s računara jedne na računar druge organizacije. Elektronska razmjena podataka smanjuje
troškove transakcija koje se prenose automatski od jednog do drugog informacionog sistema
uz pomoć telekomunikacione mreže, eliminisanjem štampanja i upravljanja papirnim
dokumentima.
Elektronska razmjena podataka obezbjeñuje strateške prednosti preduzeću
pomaganjem da pristupi potrošačima i omogućavanjem kupcima ili distributerima da naručuju
upravo od tog preduzeća a ne od konkurencije. EDI može da ograniči troškove zaliha
skraćivanjem vremena njihovog držanja.390
6.2 Elektronska razmjena podataka i elektronsko poslovanje EDI se razlikuje od elektronske pošte po tome što prenosi aktuelne strukturirane
transakcije, sa jasno naznačenim poljima kao što su vrijeme transakcije, transakciona količina,
ime pošiljaoca i ime primaoca, nasuprot nestrukturiranoj tekstualnoj poruci kao što je pismo.
Na slici 6.2 prikazan je način funkcionisanja elektronske razmjene podataka.
Na slici se pokazuje mogućnosti organizacija da se koriste elektronskom razmjenom
podataka da bi automatizovale transakcije elektronske trgovine. Narudžbe i uplate mogu da se
prenose direktno sa računara kupca na računar prodavca. Prodavac šalje kupcu otpremnice,
fakture i izvještaje o eventualnoj promjeni cijena elektronskim putem.
390 Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle
River, p.255.
226
Slika 6.1 Model elektronske razmjene podataka
Izvor: Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems.
N.J.: Prentice-Hall, Upper Saddle River, p. 255.
Organizacije u potpunosti mogu da profitiraju od elektronske razmjene podataka ako
integrišu podatke dobijene uz pomoć elektronske razmjene podataka s aplikacijama kao što
su: evidentiranje ulaznih faktura, kontrola zaliha, isporuka i plan proizvodnje i ako su one
pažljivo planirane i prilagoñene organizacionim promjenama u okruženju novih poslovnih
procesa. U vezi s tim esencijalna je podrška menadžmenta i obuka za primjenu novih
tehnologija. Organizacije moraju da standardizuju svoje oblike transakcija kojima se koriste s
drugim organizacijama i moraju se pridržavati pravnih propisa za provjeru autentičnosti
transakcija. Mnoge organizacije preferiraju da se koriste privatnim mrežama za transakcije
elektronske razmjene podataka, ali se, ipak, u većoj mjeri usmjeravaju na Internet.391
Odreñene poslovne grupacije i organizacije razvile su sopstvene mreže za elektronski
prenos podataka. Izmeñu ostalih postoji:392
- SITA, mreža avioprevoznika,
- SWIFT, bankarska mreža,
- IBM Info Net – mreža kompanije IBM.
Ove mreže imaju svoje članice u većini zemalja svijeta, a njihovim uslugama uglavnom se
koriste poslovne grupacije. Meñutim, postoji tendencija da neke od tih mreža prerastu u javne.
Na osnovu ove činjenice planiraju se i resursi potrebni za podršku sistemima elektronske
razmjene podataka. Pod resursima EDI podrazumijeva se odgovarajući hardver, softver,
komunikacije, kadrovska i organizaciona podrška.
391 Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle
River, p. 255. 392 Stankić, R. 2005. Informatika. Brčko: Ekonomski fakultet, str. 82.
Računar
Računar
Prodavac Kupac
Fakture Ažuriranje cijena
Otpremnice Uplate
Narudžbe
227
Hardverska podrška unutar poslovnog sistema obuhvata interne računarske
komponente kao što su lokalne računarske mreže, računarski sistemi i druga računarska
infrastruktura koja pokriva lokalno ili šire područje.
Za lokalne računarske mreže postoje različiti softverski paketi za elektronsku
razmjenu podataka kao što su: Microsoft Mail, Novell MHS, CC Mail, Office Vision/2,
Higgins Mail, The Coordinator i mnogi drugi. Većina ovih paketa evoluirala je u mnogo
moćnije sisteme za elektronsku razmjenu podataka na globalnom nivou. Tako je, na primjer,
Microsoft Mail evoluirao u Microsoft Outlook, aplikaciju koja nudi velike mogućnosti, ne
samo u vezi sa elektronskom poštom, već i mogućnosti unapreñivanja grupnog rada
(groupware) i, na osnovu toga, podršku inteligentnim sistemima poslovnog odlučivanja.
6.2.1 Potpuna i djelimična elektronska trgovina
Elektronska trgovina, odnosno elektronsko poslovanje može da ima nekoliko oblika
zavisno od stepena digitalizacije, odnosno transformacije od fizičkog ka digitalnom obliku (1)
proizvoda ili usluga koji se prodaju, (2) procesa i (3) agenata isporuke (posrednika, odnosno
kanala distribucije). Posmatrajući te tri dimenzije: proizvod, proces i način isporuke moguće
je kreirati okvir pomoću kojeg se objašnjava moguća konfiguracija ove tri dimenzije. Prema
tom okviru proizvod, proces i način isporuke mogu da budu bilo fizički bilo digitalni.
U tradicionalnoj trgovini sve tri dimenzije su fizičke, a u potpunoj elektronskoj
trgovini sve tri dimenzije su digitalne. Sve druge varijacije obuhvataju kombinaciju fizičkih i
digitalnih dimenzija. Ako postoji najmanje jedna digitalna dimenzija riječ je o elektronskoj
trgovini, ali samo parcijalnoj. Najbolji primjer razgraničavanja potpune i djelimične trgovine
jeste kupovina knjiga preko Amazon.com. Ako se radi o knjizi (fizičkom proizvodu) koja se
fizički isporučuje riječ je o djelimičnoj elektronskoj trgovini jer se samo naručivanje i
plaćanje vrše elektronski, a ukoliko se kupuje elektronska knjiga (e-book) onda se radi o
potpunoj elektronskoj trgovini, jer se i isporuka obavlja elektronski.
6.2.2 Organizacije elektronske trgovine
Potpuno fizičke organizacije odnose se na tzv. brick-and-mortar ('cigla i malter')
organizacije ili organizacije stare ekonomije, dok su organizacije angažovane samo u
elektronskoj trgovini virtualne organizacije ili kompanije čije se poslovanje zasniva isključivo
228
na Internetu (pure play393 kompanije). Clicks and mortar394 ili clicks and brick organizacije
obavljaju odreñene aktivnosti elektronske trgovine, ali se njihovo primarno poslovanje odvija
u fizičkom svijetu. Mnoge brick-and-mortar organizacije postepeno se mijenjaju u clicks-and-
mortar organizacije.
Većina transakcija elektronske trgovine vrši se preko Interneta, ali elektronska
trgovina može da se odvija i na privatnim mrežama kao što su mreže sa dodatnom vrijednošću
(VAN). To su tzv. mreže sa dodatnim kvalitetom poznate i pod nazivom PDN. Ove mreže
nude gotovo sve mrežne usluge od paketnog prenosa podataka pomoću standarda X.25 koji
definiše interfejs izmeñu DTE i DCE za opremu koja funkcioniše u paketnom modu na
javnim mrežama za prenos podataka do rješenja elektronske razmjene podataka.395 U tabeli
6.1 prikazani su reprezentativni primjeri VAN mreža i njihovih servisa.396
Tabela 6.1 Servisi VAN (PDN) mreže
Naziv mreže Kompanija Servis
InfoLAN Infonet Brussel Services Belgium Corporation
Globalni servisi za povezivanje lokalnih mreža
AccuNET AT&T Internacionalni AccuNET X.25 servis
BT Tymnet British Telecomm X.25 servis, frame relay (tehnologija za paketni prenos podataka)servis sa tendencijom prelaska na ISDN
Sprintnet U.S. Sprint x.25, frame relay i višestepeni ISDN
Wilpak Wiltel frame relay servisi za povezivanje lokalnih mreža
Compuserve Compuserve, Inc. Informacioni servisi
Datapac Telecomm Canada X.25 servisi
IBM Information Network
IBM Meñunarodni PDN za povezivanje lokalnih mreža i informacioni servisi
Marknet General Electric Globalni X.25 transmisioni servis
Izvor: (prilagoñeno) Stankić, R., Krsmanović, B. 2001. Elektronsko poslovanje. Bijeljina: Srpsko udruženje menadžera, str. 77.
Većina VAN mreža ima pristupni čvor u skoro svim gradskim oblastima. Naplata za
korišćenje sastoji se iz mjesečne pretplate i dodatnog iznosa koji se zasniva na stvarnoj
upotrebi mreže.397 U pogledu izbora servisa za podršku poslovnom odlučivanju potrebno je
393 pure-play - poslovni modeli zasnovani isključivo na Internetu (Laudon, K. C. and Laudon, J. P. 2002.
Management Information Systems. N.J.: Prentice-Hall, Upper Saddle River, p.110.). 394 clicks-and-mortar - poslovni model u kome su Web stranice proširenje tradicionalnog bricks-and-mortar
(fizičkog) poslovanja (Ibid, p. 110) 395 Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, Glossary, p. 560. 396 Stankić, R., Krsmanović, B. 2001. Elektronsko poslovanje. Bijeljina: Srpsko udruženje menadžera, str. 78. 397 Isto.
229
odabrati one mreže i njihove servise koji donosiocu odluke obezbjeñuju prenos informacija i
znanja u pravo vrijeme kako bi se obezbijedilo pravovremeno efikasno i efektivno donošenje
odluka.
6.2.3 Vrste transakcija elektronske trgovine
Transakcije elektronske trgovine izmeñu njenih učesnika mogu se izvršavati na više
načina: 398 business-to-business (B2B), kolaborativna trgovina (c-commerce), business-to-
consumer (B2C), consumer-to-business (C2B), consumer-to-consumer (C2C), business-to-
employers (B2E), trgovina u okviru jedne organizacije, governement-to-citizens (G2C) i
mobilna trgovina (m-commerce).
U transakcijama elektronske trgovine po modelu B2B i kupac i prodavac su
organizacije. Većina elektronske trgovine pripada ovoj vrsti elektronskog poslovanja.
C-trgovina (kolaborativna trgovina). Poslovni partneri sarañuju elektronski, a
saradnja ove vrste često se pojavljuje izmeñu poslovnih partnera duž lanca snabdijevanja.
U elektronskoj trgovini koja pripada B2C vrsti prodavci su organizacije, a kupci
pojedinci.
Model C2B elektronske trgovine pojavljuje se u slučaju kada kupac iskazuje potrebu
za odreñenim proizvodom ili uslugom, a snabdjevač nastoji da obezbijedi proizvod ili uslugu.
Prilikom iskazivanja potrebe za proizvodom kupac može da navede više kriterijuma na
osnovu kojih može da donese odluku o kupovini i na osnovu kojih se pronalazi odgovarajući
dobavljač koji će se uklopiti u date kriterijume.
Manje razvijena vrsta elektronske trgovine jeste C2C u kojoj pojedinac prodaje
proizvode ili usluge drugim pojedincima.
Trgovina izmeñu organizacija obuhvata elektronsku trgovinu u kojoj se organizacije
koriste elektronskim sredstvima i načinima interno u organizaciji da bi unaprijedile svoje
funkcije. Posebna vrsta takve trgovine jeste B2E (business-to-employers) elektronska
trgovina.
398 Turban et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Education, Inc., Upper
Saddle River, p.748.
230
Tabela 6.2 Poslovni modeli elektronske trgovine
Model elektronske trgovine Opis Direktni on-line marketing Proizvoñači ili trgovci na malo prodaju direktno kupcima. Vrlo efikasan za digitalne
proizvode ili usluge. Omogućava prilagoñavanje korisniku. Elektronski sistem podnošenja ponuda
Poslovni sistemi vode ponude on-line zahtijevanjem da dobavljači navode cijene. Koriste se B2B reverznim (obrnutim) aukcionim mehanizmom.
Navoñenje sopstvenih cijena Kupci navode svoju cijenu, a posrednik, an osnovu toga, pronalazi dobavljača. Pronalaženje najbolje cijene Kupci navode potrebu. Posrednik uporeñuje dobavljače i prikazuje najnižu cijenu.
Kupac mora da prihvati ponudu u navedenom vremenu ili da odustane od kupovine. Pridruženi marketing Prodavci zahtijevaju od partnera da postave logo ili banere na Web lokacije partnera.
Ako kupci kliknu, doñu do prodavca i kupe prodavci plaćaju proviziju partnerima. Virusni marketing Objavljivanje marke proizvoda na mreži. Primaoci šalju informaciju svojim
prijateljima. Informacije se šire slično pravim virusima. Zajednička kupovina (e-korpa)
Agregiranje potražnje malih kupaca da bi se postigao veliki obim, pa zatim voñenje ponuda ili dogovaranje niske cijene.
Direktne (on-line) aukcije Postavljanje različitih vrsta aukcija na Internet. Vrlo je popularno u C2C, ali se primjenjuje i u drugim vrstama elektronske trgovine.
Prilagoñavanje proizvoda korisniku
Korišćenje Internetom za samostalno konfigurisanje proizvoda ili usluga, odreñivanje i brzo postizanje njihovih cijena (ugrañivanje u narudžbu).
Elektronska tržišta i berze Kreiranje virtuelnog tržišta (privatnog ili javnog) na kome transakcije mogu da se vode na efikasan način (više informacija kupcu i prodavcu, manji tranasakcioni troškovi).
Integratori lanca vrijednosti Agregiranje i informacija i njihovo pakovanje za kupce, dobavljače ili druge u lancu snabdijevanja.
Provajderi usluga u lancu vrijednosti
Specijalizovane usluga u funkcionisanju lanca snabdijevanja kao što su logističke usluge i usluge plaćanja.
Informacioni brokeri Obezbjeñivanje usluga u vezi s informacijama elektronske trgovine, kao što su povjerenje, sadržaj, usaglašavanje kupaca i prodavaca, evaluacija dobavljača i proizvoda.
On.line barter poslovi399 Razmjena viškova proizvoda i/ili usluga kojom se u potpunosi upravlja on-line. Kompanija dobija "poene" za svoj doprinos koji mogu da se koriste za kupovinu onoga šta joj je potrebno (posrednici upravljaju procesom).
Diskonteri Dobijanje tržišnog učešća velikim diskontom400 za kupce koji razmišljaju samo o cijeni u svojim odlukama o kupovini.
Model na bazi članstva Samo članovi mogu da se koriste uslugama kao što su: pristup odreñenim informacijama, voñenje poslova itd.401
Unapreñivači lanca snabdijevanja Restrukturiranje lanca snabdijevanja prema centrima ili druga konfiguracija. Unapreñenje saradnje, redukovanje odlaganja, izravnavanje tokova.
Izvor: (prilagoñeno) Turban et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Education, Inc., Upper Saddle River, p. 749.
Pomoću tehnologije elektronske trgovine, koja pripada G2C vrsti elektronskog
poslovanja, vlada obezbjeñuje usluge svojim grañanima. U okviru ove vrste elektronske
trgovine je i G2G (governements-to-governements) u kojoj vlade posluju sa drugim vladama i
G2B (governement-to-business) u kojoj vlada posluje s preduzećima.
399 Barter poslovi sačinjavaju ugovorenu razmjenu proizvoda i usluga izmeñu preduzeća iz različitih država bez
posredovanja novca (Katz, B. 1990. Managing Export Marketing. Gower Publishing, p. 92). Razmjena se obavlja bez posredovanja trećih lica na osnovu jednog ugovora. U ugovoru se ne navode novčane vrijednosti razmjene, već količine, kvalitet, rokovi isporuke i drugi detalji. Isporuke se obično dešavaju istovremeno, a najduže u toku iste kalendarske godine (Poljić, M. 2004. Marketing u meñunarodnom smol biznisu. Brčko: Ekonomski fakultet, str. 149-150.)
400 www.half.com 401 www.egreetings.com
231
Mobilna trgovina (m-commerce) odvija se u bežičnom okruženju kao što je upotreba
mobilnog telefona i drugih bežičnih ureñaja za pristup Internetu.
Navedene vrste elektronske trgovine smatraju se modelima elektronske trgovine,
odnosno modelima elektronskog poslovanja, a svaka od navedenih vrsta izvršava se po
jednom ili više poslovnih modela. Osnovni poslovni modeli sumirani su u tabeli 6.2.
S obzirom na to da je područje primjene elektronskog poslovanja veoma široko
postoje mnoge aplikacije elektronskog poslovanja. Da bi aplikacije mogle da se primjenjuju
organizacijama su potrebne prave informacije, infrastruktura i servisi podrške. Mada na slici
nije prikazano inteligentni sistemi podrške mogli bi da igraju veliku ulogu u takvim servisima,
pogotovo u obezbjeñivanju adekvatnih informacija i znanja za donošenje poslovnih odluka.
Infrastruktura podrške uključuje odgovarajući hardver, softver i mreže koji se protežu od
mrežnih pretraživača do multimedija i odgovarajuće iskustvo u upravljanju što podrazumijeva
da organizacije moraju da planiraju, organizuju, pokrenu i pronañu odreñene strategije i, ako
je potrebno, rekonstruišu radne procese.
Slika 6.2 Infrastrukturna podrška aplikacijama elektronske trgovine
Izvor: (prilagoñeno) Turban et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson
Education, Inc., Upper Saddle River, p. 750.
Aplikacije elektronske trgovine, prikazane na slici 6.2, podržane su odgovarajućom
infrastrukturom, a obuhvataju pet područja podrške: korisnike, javnu politiku, marketing i
propagandu, servise podrške i poslovno partnerstvo.
Aplikacije elektronske trgovine Direktni marketing, Pronalaženje zaposlenja, On-line bankarstvo, Elektronska vlada, Elektronska kupovina, B2B berze, Kolaborativna trgovina, Mobilna trgovina, Aukcije, Putovanje, On-line izdavaštvo, Usluge potrošačima
Korisnici kupci, prodavci,
posrednici, davaoci usluga,
osoblje IS i menadžment
Javna politika porezi, pravni
propisi, povjerljiva pitanja, propisi i
tehnički standardi
Poslovno partnerstvo
programi pridruženja, zajednička ulaganja, berze, elektronska tržišta, konzorciji
Marketing i propaganda
tržišno istraživanje,
promocije i web sadržaj
Servisi podrške logistika,
plaćanje, sadržaj, sigurnost razvojnog sistema
Infrastruktura
(1) Infrastruktura
zajedničkih poslovnih servisa (sigurne pametne kartice,
autentična elektronska plaćanja,
direktorijumi, katalozi)
(2) Slanje poruka i
distribucija informacija
(EDI, e-mail, HTTP,
prostorije za ćaskanje)
(3) Sadržaj multimedija i
infrastruktura objavljivanja na mreži (HTML, Java, XML,
VRML)
(4) Mrežna infrastruktura (telekom, kablovska TV, bežični Internet, VAN, WAN, LAN, intranet, ekstranet, mobilni telefoni)
(5) Infrastruktura interfejsa (sa bazama podataka,
aplikacijama poslovnih partnera)
232
6.2.4 Povezanost sistema za podršku odlučivanju i elektronskog poslovanja
Sistemi podrške odlučivanju i elektronsko poslovanje povezani su na tri osnovna
načina: (1) sistem podrške odlučivanju podržava aktivnosti elektronskog poslovanja,
(2) elektronsko poslovanje olakšava podršku odlučivanju i (3) elektronsko poslovanje i sistem
podrške odlučivanju funkcionišu zajedno.402 Na sličan način mogu da se povežu i inteligentni
sistemi podrške odlučivanju i elektronsko poslovanje.
Postavlja se pitanje na koji način sistem za podršku odlučivanju i inteligentni sistemi
podrške poslovnom odlučivanju podržavaju aktivnosti elektronske trgovine? Pomoću modela
sistema podrške odlučivanju, a naročito inteligentnih sistema podrške odlučivanju, mogu da
se optimiziraju aktivnosti distribucije i transporta dobara prema više kupaca.403 Geofrion, A.
M. and Krishnan, R.404 opisali su optimalnu selekciju transportnih puteva u B2B modelu
elektronske berze. Sistemi za podršku odlučivanju i inteligentni sistemi podrške poslovnom
odlučivanju, koji funkcionišu na definisanim kriterijumima i ograničenjima, omogućavaju
usaglašavanje stavova kupaca i prodavaca. Vrlo često se Internet marketing aktivnosti
unapreñuju pomoću modela sistema za podršku odlučivanju i inteligentnih sistema podrške, a
sistem podrške odlučivanju pomaže u izvršavanju funkcija B2C modela elektronskog
poslovanja. Westland, J. C.405, u članku o transakcionom riziku u elektronskoj trgovini,
opisuje mogućnost voñenja analize rizika pri startovanju tzv. dot.com poslovanja ili
pokretanja elektronske trgovine.
Alati skladišta podataka (data warehouse) i data mining-a neophodni su za analizu
podataka elektronske trgovine, a to su podaci koji su prikupljaju na osnovu aktivnosti kupaca
na Internetu i statistički podaci o kupovnim aktivnostima potrošača.406 Korišćenjem poslovne
inteligencije i alata sistema za podršku odlučivanju moguće je optimiziranje direktne
promocije i donošenje boljih profitabilnih odluka i dobijanje koristi i za trgovce i za klijente
organizacije.407
402 Geofrion, A. M. and Krishnan, R. 2001 (March/April). "Prospects for Operations Research in the E-Business
Era". Interfaces. Vol. 31. No. 2. i Power, D. J. 2002. Decision Support Systems: Concepts and Resources for Managers. Westport, CT: Quorum Books (Navedeno iz: Turban et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Education, Inc., Upper Saddle River, p. 752.)
403 Lummus, R. R. and Vokura, R. J. 2002 (January/June). "Making the Right E-Fulfillment Decision". Production and Inventory Management Journal.
404 Geofrion, A. M. and Krishnan, R. 2001 (March/April). "Prospects for Operations Research in the E-Business Era". Interfaces. Vol. 31. No. 2.
405 Westland, J. C. 2002 (May). "Transaction Risk in Electronic Commerce". Decision Support Systems. 406 Chen, H. 2003 (April). "Web Retrieval and Mining". Decision Support Systems. Special Issue. 407 www.microstrategy.com, e-Commerce Solution Ltd (U.K.)
233
Pored pozitivnih uticaja koje sistem za podršku odlučivanju i inteligentni sistemi
podrške poslovnom odlučivanju imaju na elektronsku trgovinu, postoje i pozitivni uticaji
elektronske trgovine na podršku odlučivanju koje može da se unaprijedi na više načina:408
- elektronska trgovina obezbjeñuje efikasan i efektivan transfer potrebnih
informacija i znanja za podršku odlučivanju,
- elektronska trgovina pojačava proces donošenja odluka,
- korišćenjem infrastrukture elektronske trgovine moguće je prikupljanje i
memorisanje podataka potrebnih za izgradnju optimalnih planova i odreñivanje
cijena.
Sinergijski efekat na unapreñivanje poslovnog odlučivanja i cjelokupno poslovanje
dobija se ako elektronska trgovina i sistem podrške odlučivanju ili inteligentni sistem podrške
poslovnom odlučivanju funkcionišu zajedno. Većina aktivnosti koja sa sobom donosi
unapreñenje u lancu snabdijevanja uključuje pristup povezivanja elektronske trgovine i
sistema podrške odlučivanju i inteligentnih sistema.
6.2.5 Izazovi menadžmenta u elektronskom poslovanju
Mnoge kompanije počele su da se koriste Internetom da bi komunicirale sa svojim
kupcima i dobavljačima kreiranjem novih digitalnih mreža elektronske trgovine, odnosno
elektronskog poslovanja čime se omogućava zaobilaženje tradicionalnih kanala distribucije.
Organizacije se koriste Internet tehnologijom da bi modernizovale svoje interne poslovne
procese i unaprijedile poslovno odlučivanje. Digitalni poslovni procesi i meñusobna
povezanost organizacija omogućavaju im da dostignu nove nivoe konkurentnosti i efikasnosti,
ali oni podstiču i sljedeće izazove menadžmenta:409
- Elektronska trgovina i elektronsko poslovanje zahtijevaju potpunu promjenu
načina razmišljanja. Digitalne organizacije zahtijevaju nove modele i forme
organizacione strukture i nove upravljačke procese. Da bi uspješno
implementirale elektronsku trgovinu i elektronsko poslovanje organizacije
moraju da istraže i, eventualno, rekonstruišu cjelokupan poslovni proces, a ne
samo da ugrade nove tehnologije u postojeću poslovnu praksu. Menadžment
kompanije mora da razmotri različite organizacione strukture, promjene u
408 Turban et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Education, Inc., Upper
Saddle River, p.753. 409 Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle
River, p.104.
234
organizacionoj kulturi, različitu strukturu podrške informacionim sistemima,
različite procedure za upravljačko osoblje i umrežene procesne funkcije, a vrlo
često menadžment mora da razmišlja i o promjeni poslovne strategije.
- Pronalaženje uspješnog Internet poslovnog modela zahtijeva od menadžmenta
organizacije da iznañe mogućnost ubrzanog postavljanja Web stranica da bi
organizacija mogla da očekuje rast prihoda od elektronske trgovine. Prema tome,
najveći broj Web lokacija elektronske trgovine mora da se usmjeri na profit ili na
stvaranje značajne razlike u prodaji i marketing naporima organizacije.
Smanjivanje troškova ili pristup novim tržištima koji se očekuju od Web-a ne
mora uvijek da se ostvari. Menadžment organizacije mora pažljivo da razmišlja o
mogućnostima kreiranja realno izvodljivog modela poslovanja na Internetu i o
načinu povezivanja Interneta s ukupnom poslovnom strategijom organizacije. Za
razliku od tradicionalne trgovine, elektronska trgovina zahtijeva različite
strategije za naručivanje, promociju i podršku kupcima.
Menadžment mora da stavi akcenat na prednosti od integrisanja informacija u
organizaciji kreiranjem infrastrukture informacione tehnologije u kojoj informacije mogu u
kontinuitetu da se prenose od jednog dijela organizacije do drugog i od organizacije do
kupaca, dobavljača i poslovnih partnera. Nastanak digitalnog preduzeća zahtijeva upravo
takav nivo informacione integracije, a da bi zadržale efikasnost i konkurentnost kompanije
sve više zavise od takve infrastrukture. Internet tehnologija postala je ključna tehnologija koja
omogućava digitalnu integraciju. Ranije su se organizacije koristile sopstvenim
informacionim sistemima za integrisanje informacija iz njihovih internih sistema i za
povezivanje s kupcima i poslovnim partnerima. Takvi sistemi bili su glomazni i bazirali su se
na tehnološkim standardima koje su organizacije samo donekle mogle da prate. Internet je
brzo postao infrastruktura izbora za elektronsku trgovinu zato što nudi poslovnim sistemima
znatno lakši način povezivanja s drugim poslovnim sistemima i pojedincima uz vrlo niske
troškove. On obezbjeñuje univerzalni i za korišćenje jednostavan skup tehnologija i
tehnoloških standarda koje mogu da prihvate sve organizacije, bez obzira kojim se
računarskim sistemom ili platformom informacione tehnologije služe.
Internet obezbjeñuje infrastrukturu za elektronsko poslovanje zato što njegova
tehnologija i tehnološki standardi mogu da se koriste za izgradnju neprekidnih tokova
informacija od jednog do drugog dijela organizacije. Tehnologija Interneta omogućava niže
troškove i jednostavniju alternativu za korišćenje koordinacionim aktivnostima od sopstvenih
235
mreža. Menadžeri se koriste elektronskom poštom i drugim komunikacionim mogućnostima
Interneta da bi nadgledali zaposlene, upravljali zadacima i projektima, te koordinirali
funkcionisanje timova koji rade u različitim dijelovima svijeta. Standardi Interneta mogu da
se koriste za povezivanje različitih sistema kao što su sistemi naručivanja i logistička podrška
koji ranije nisu mogli meñusobno da komuniciraju. Internet smanjuje i druge posredničke
troškove kao što su troškovi aktivnosti koordiniranja organizacije s dobavljačima i drugim
spoljnim poslovnim partnerima. Meñusobna povezanost, uz niske troškove, i univerzalni
standardi koje obezbjeñuje tehnologija Interneta vodeće su snage čije su posljedice eksplozija
elektronskog poslovanja i pojava digitalne organizacije.410
Internet ima poseban značaj za menadžment i donosioce poslovnih odluka i sa
stanovišta smanjivanja informacione asimetričnosti koja postoji ako jedna strana u
transakcionom procesu ima više informacija koje su značajne za transakciju od druge strane.
Te informacije mogu da determinišu relativnu pregovaračku snagu. Prije nego što su se
pojavile Web stranice prodavaca automobila na malo postojala je izrazita informaciona
asimetrija izmeñu prodavaca i kupaca automobila, jer su samo prodavci znali proizvoñačke
cijene, pa je kupcima bilo teško da tragaju za najboljom cijenom.411 Profitne marže trgovaca
automobilima zavisile su od te informacione asimetrije. Danas potrošači imaju pristup
velikom broju Web stranica koje obezbjeñuju informacije o cijenama konkurencije, pa se
većina kupaca automobila koristi Internetom da bi kupila automobil po najpovoljnijoj cijeni.
Na taj način Web je redukovao okruženje informacione asimetrije kupovine automobila.
Internet takoñe pomaže poslovnim sistemima u traganju za kupovinom od drugih poslovnih
sistema da bi smanjili informacionu asimetričnost i da pronañu povoljnije cijene i rokove
isporuke. Primjenom inteligentnih sistema podrške poslovnom odlučivanju, prije svega
inteligentnih agenata, moguće je da se proces "traganja" za najpovoljnijom cijenom i
optimalnim rokovima isporuke potpuno automatizuje.
Prije pojave Interneta i elektronskog poslovanja poslovni sistemi morali su da
balansiraju izmeñu količine (bogatstva) i dometa informacija.412 Bogatstvo informacija odnosi
se na dubinu i stepen detaljisanja informacija, odnosno količinu informacija koju poslovni
sistem može da ponudi kupcu kao i informacija koje poslovni sistem može da prikupi o
410 Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle
River, p.106. 411 Ibid, p.106. 412 Evans, P. B. and Wurster, T. 2000. The New Economics of Information Transforms Strategy. Boston. Harvard
Business Scholl Press, p. 31.
236
kupcu. Domet se odnosi na broj korisnika koje poslovni sistem može da poveže i količinu
proizvoda koju može da ponudi korisnicima. Internet je transformisao bogatstvo i domet
informacija čijim korišćenjem, uz pomoć multimedija, organizacije mogu brzo i jeftino da
obezbijede informacije o proizvodu i posebne detaljne informacije interesantne za svakog
kupca, istovremeno, velikom broju korisnika. Internet nudi mogućnost povećanja i količine i
dometa informacija (slika 6.3).
Slika 6.3 Odnos količine i dometa informacija
Izvor: (prilagoñeno) Evans, P. B. and Wurster, T. 2000. The New
Economics of Information Transforms Strategy.Boston: Harvard Business Scholl Press, p. 31.
Na povećanje količine i dometa informacija utiču dva faktora: (1) povećanje
povezanosti na Internet i (2) povećanje standarda. Povezanost na Internet i univerzalni
standardi za distribuciju informacija radikalno smanjuju troškove obezbjeñivanja bogatih,
detaljnih informacija velikom broju korisnika i, na taj način, redukovanje debalansa izmeñu
količine i dometa informacija.413
Odnos izmeñu količine i dometa informacija, koje omogućava Internet, promijenio je
i interno funkcionisanje organizacija koje mogu da razmjenjuju obilne i detaljne informacije
izmeñu velikog broja izvršilaca i omogućio menadžmentu da jednostavnije koordinira više
413 Evans, P. B. and Wurster, T. 2000. The New Economics of Information Transforms Strategy.Boston. Harvard
Business Scholl Press, p.31.
Novi nivo količine i dostignutog dometa informacija
Ko
ličin
a in
form
acija
Domet
237
poslova i radnih zadataka.414 Digitalni poslovni procesi postali su novi izvori organizacione
efektivnosti i efikasnosti smanjivanjem troškova poslovanja uz unapreñivanje tačnosti i
blagovremenosti servisiranja kupaca.
6.2.6 Internet modeli poslovanja
Nesumnjivo je da Internet pruža najveću podršku elektronskoj trgovini i
elektronskom poslovanju s obzirom na to da pomaže kompanijama da kreiraju i ostvare profit
na nov način, dodavanjem posebnih vrijednosti postojećim proizvodima i uslugama ili
obezbjeñivanjem osnove za nove proizvode i usluge.
Internet pruža posebnu pogodnost kupcima prilikom odluke o kupovini jer nudi
bogate i detaljne informacije o različitim proizvodima i uslugama.
Internet je omogućio mnoge promjene u načinu voñenja poslova organizacija i
pojavu i uvoñenje novih modela poslovanja za koje je karakterističan način isporuke
proizvoda i usluga i, u većini slučajeva, eliminisanje tradicionalnih kanala distribucije. Kupci
mogu da pronañu informacije o proizvodima i uslugama na Web stranicama proizvoñača i da
kupuju direktno od dobavljača, umjesto od posrednika kao što su veleprodaja i prodavnice na
malo. Prema tome, zahvaljujući Internetu, pojavili su se novi modeli poslovanja (tabela 6.3).
Svi ti modeli, na ovaj ili onaj način, dodaju vrijednost:415
1. ponudom novih proizvoda ili usluga kupcima,
2. obezbjeñivanjem dodatnih informacija ili usluga tradicionalnim proizvodima i
uslugama ili
3. obezbjeñivanjem proizvoda ili usluge sa nižim cijenama u odnosu na
tradicionalni način.
Većina poslovnih modela navedenih u tabeli odnosi se na pure-play poslovne modele
s obzirom na to da se u potpunosti zasnivaju na Internetu. Meñutim, neki od modela su samo
ekstenzija tradicionalnih fizičkih modela poslovanja. Kretanje ka čistom Internet poslovanju
smanjuje broj posrednika izmeñu proizvoñača i potrošača u lancu vrijednosti (slika 6.4) i, u
krajnjoj instanci, za rezultat ima snižavanje cijena.
414 Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle
River, p. 107. 415 Ibid.
238
Tabela 6.3 Poslovni modeli Interneta
Vrsta Opis Primjer
Virtuelna prodavnica Prodaje proizvode ili usluge on-line umjesto preko fizičkih prodavnica ili maloprodajnih distributera. Isporuka nedigitalnih proizvoda i usluga odvija se na tradicionalni način.
Amazon.com
Wine.com
WingspanBank.com
Tržišni koncentrator Koncentriše informacije o proizvodima i uslugama od više dobavljača na jedan centralni čvor. Naručioci mogu da pretražuju, porede i ponekada kompletiraju prodajnu transakciju.
ShopNow.com
DealerNet
Industrial Mall
InsureMarket
On-line berza Sistem ponude i potražnje u kojem više kupaca mogu da naručuju od više prodavaca.
Asia Capacity Exchange
Covisint
E-Steel
Fibermarket
Informacioni broker Obezbjeñuje informacije o proizvodima, cijenama i raspolaganju. Neki omogućavaju transakcije, ali njihova osnovna vrijednost su informacije koje obezbjeñuju
PartNet
Travelocity
Transakcioni broker Kupci mogu da vide cijene i rokove, ali je primarna poslovan aktivnost da se kompletira transakcija.
E*TRADE
Ameritrade
Aukcija Obezbjeñuju elektronske klirinške kuće za proizvode gdje se cijena i raspolaganje stalno mijenja, ponekada u odgovoru na akciju kupca.
eBay
Ubid
BigEquip.com
Obrnuta aukcija Kupci šalju ponudu ka više prodavaca da bi kupili robu ili uslugu po cijeni koju odreñuje kupac.
Priceline.com
ImportQuote.com
Agregator Registruje se grupa potrošača koja želi da kupi odreñeni proizvod, a zatim od dobavljača traži veliki popust.
MobShop.com
Digitalna isporuka proizvoda
Prodaje i isporučuje softver, multimedije i druge digitalne proizvode preko Interneta.
Regards.com
PhotoDisc
Nabavljač sadržaja Stvara prihod nabavkom sadržaja. Kupac plaća za pristup sadržaju. Prihod se ostavaruje i prodajom oglasnog prostora ili oglašavači moraju da plate za smještanje u organizovan popis u bazi podataka koja se može pretraživati.
Wall Street Journal Interactive
Salon.com
TheStreet.com
On-line davalac usluga
Pruža usluge i podršku za korisnike hardvera i softvera PCSupport.com
@Backup
Xdrive.com
Virtuelna zajednica Obezbjeñuje mjesto za on-line konferencije na kojem osobe sa sličnim interesima mogu da komuniciraju i nañu korisne informacije.
Geocites
FortuneCity
Tripod
Portal Obezbjeñuje polaznu tačku ulaza na Web uz specijalizovani sadržaj i druge usluge.
Yahoo
Barrabas
Syndicator Agregira sadržaj ili aplikacije iz više izvora i preprodaje ih drugim organizacijama.
Thinq
Screaming Media
Izvor: Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle River, p. 108.
239
Internet smanjuje broj posrednika u nekim granama i stvara povoljne prilike za nove
vrste posrednika u drugim granama privrede. U odreñenim granama privrede distributere sa
skladištima robe ili posrednike mogu da zamijene novi posrednici specijalizovani da
korisnicima Interneta efikasnije pribave informacije o proizvodima i cijenama, direktno
pronañu izvore proizvoda i usluga ili da upravljaju ili maksimiziraju vrijednost informacija
koje su prikupljene o njima u transakcijama elektronske trgovine.416
Slika 6.4 Koristi za potrošače od smanjenja broja posrednika
DistributerProizvoñačTrgovina na
maloPotrošač
Cijena
50,00 KM
ProizvoñačTrgovina na
maloPotrošač 40,00 KM
Proizvoñač Potrošač 20,00 KM
Izvor: (prilagoñeno) Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle River, p. 111.
Inteligentni agenti i drugi sistemi podrške poslovnom odlučivanju i u tom području
imaju zapaženu ulogu. Elektronski sistemi za upravljanje odnosima s kupcima (eCRM)
pružaju mogućnosti menadžmentu organizacije da, korišćenjem inteligentnim sistemima
podrške poslovnom odlučivanju, upravljaju kupcima, prate njihove želje, interese i servisiraju
ih na najbolji način.
6.3 Podrška odlučivanju u elektronskoj trgovini na malo
6.3.1 Elektronska trgovina na malo
Trgovina na malo (e-tailing) je prodajni posrednik koji posluje izmeñu proizvoñača i
potrošača. Meñutim, mnogi proizvoñači prodaju direktno potrošačima, a svoju prodaju
dopunjavaju preko trgovaca na veliko i trgovaca na malo. Ovakav način distribucije
416 Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle
River, p.111-112.
240
predstavlja višekanalski pristup. U fizičkom svijetu trgovina na malo odvija se u eksternim i
internim prodavnicama organizacije koje kupci moraju da posjete da bi obavili kupovinu. Da
bi se povećala efektivnost i efikasnost distribucije organizacije koje proizvode veliku količinu
proizvoda moraju da se koriste trgovcima na malo. Meñutim, i kada se proizvodi relativno
malo proizvoda potrebna je trgovina na malo da bi se dostigao dovoljan broj kupaca.
Prodaja putem kataloga oslobaña trgovinu na malo potrebe za fizičkom prodavnicom
iz koje distribuira proizvode. Umjesto da kupuju u fizičkoj prodavnici kupci pregledaju
kataloge u vrijeme koje njima najviše odgovara. Meñutim, pojavom Interneta sljedeći logičan
korak za trgovinu na malo bio je da se ona odvija direktno (on-line). On-line prodaja na malo
naziva se elektronska trgovina na malo (e-tailer) a oni koji obavljaju poslove trgovine na
malo on-line nazivaju se elektronski trgovci na malo. Elektronska trgovina na malo može da
se obavlja i pomoću aukcija. Elektronska trgovina na malo omogućava i proizvoñačima da
lakše prodaju direktno kupcima eliminisanjem posrednika u kanalima distribucije.
Koncept trgovine na malo i elektronske trgovine na malo znači prodaju robe ili
usluga pojedinačnim kupcima. Meñutim, razlika izmeñu B2C i B2B elektronske trgovine nije
uvijek jasno razgraničena. Organizacije mogu da prodaju svoje proizvode direktno kupcima,
ali i drugim preduzećima. Na primjer Amazon.com u većini slučajeva prodaje knjige
individualnim kupcima (B2C), ali i preduzećima (B2B), a Dell prodaje svoje kompjutere i
pojedincima i poslovnim sistemima sa vlastitog Web portala elektronske aukcije (slika 6.5) 417
Postoji više modela B2C elektronske trgovine, a jedna od njihovih najinteresantnijih
karakteristika jeste mogućnost da se ponude proizvodi prilagoñeni kupcu po prihvatljivim
cijenama i da se to učini prili čno brzo (npr. Dell kompjuteri). Mnoge Web lokacije nude
samokonfiguraciju sa svojih B2C portala.418 Dell Computer nudi korisnicima mogućnost da
kreiraju lične Dell Internet lokacije na kojima Dell može da im ponudi posebne cijene i
aranžmane koji se zasnivaju na informacijama o interesima i predviñanju potražnje. Korisnici
mogu bez posrednika da pronañu dostupne proizvode i da kupe tačno ono šta žele.
417 www.dell.com 418 www.nike.com, www.dell.com, www.amazon.com i dr.
241
Slika 6.5 Dell on-line aukcija
Izvor: dellauction.com; novembar 2008.
6.3.2 Podrška odlučivanju u elektronskoj trgovini na malo
Elektronska trgovina na malo susreće se sa nekoliko osnovnih odluka koje može da
podrži sistem za podršku odlučivanju i/ili inteligentni sistem podrške odlučivanju. To su
sljedeće odluke: rješavanje konflikta u vezi s kanalom distribucije, rješavanje konflikata
unutar click-and-mortar organizacija, izvršavanje, logistika, utvrñivanje izvodljivosti on-line
elektronske trgovine na malo, identifikovanje odgovarajućih modela sticanja prihoda i analiza
rizika.419
Rješavanje konflikta u vezi s kanalom distribucije. Ako organizacija pripada
kombinovanoj vrsti, odnosno ako neke transakcije obavlja elektronski, a neke fizički može da
se suoči s konfliktom sa svojim redovnim distributerima ako prodaje direktno on-line. Poznata
pod nazivom konflikt kanala ova situacija može da eliminiše redovne distributere i može da
419 Turban et al. 2005.Decision Support Systems and Intelligent Systems. N.J.: Pearson Education, Inc., Upper
Saddle River, p. 761-762.
242
osnaži neke kompanije da limitiraju svoje B2C napore, dok druge mogu da odluče da ne
prodaju direktno on-line. Meñutim, bolji pristup jeste pokušaj da se na odreñeni način
sarañuje s postojećim distributerima koji mogu da odluče da restrukturiraju svoje usluge.
Sistem podrške odlučivanju može da olakša rješavanje konflikta korišćenjem alata sistema
grupnog odlučivanja i inteligentnih sistema podrške poslovnom odlučivanju u elektronskoj
trgovini na malo i elektronskom poslovanju uopšte.
Rješavanje konflikata unutar click-and-mortar organizacija. Ako afirmisana
kompanija odlučuje da prodaje direktno on-line u velikom obimu mora da stvori konflikt sa
svojim postojećim funkcionisanjem. Konflikti mogu da nastanu u područjima kao što su
odreñivanje cijena proizvoda i usluga, alokaciji resursa i off-line logističkih usluga koje
iziskuju on-line aktivnosti (npr. manipulisanje vraćenim artiklima). Da bi riješile te konflikte
neke organizacije morale su u potpunosti da razdvoje "clicks" ili " bricks" (on-line dio
organizacije) od "mortar" (tradicionalni "brick-and-mortar" dio organizacije). To može da
poveća troškove i smanji sinergiju izmeñu dviju funkcija. Odlučivanje o načinu organizovanja
on-line i off-line djelatnosti i o tome da li ih razdvojiti može da se olakša primjenom sistema
podrške odlučivanju, a grupni sistem podrške odlučivanju može da se koristi za rješavanje
konflikata. Inteligentni sistemi podrške takoñe mogu da olakšaju rješavanje takvih problema.
Izvršavanje narudžbi i logistika. Elektronski trgovci na malo susreću se s
problemom isporuke vrlo malih količina velikom broju kupaca. To može da bude veoma
komplikovan problem, posebno kada je potrebno da se upravlja vraćenim artiklima. Sistemi
podrške poslovnom odlučivanju mogu da pomognu planiranjem i voñenjem isporuka,
upravljanjem zalihama i drugim logističkim odlukama.420
Utvrñivanje izvodljivosti on-line elektronske trgovine na malo. Mnoge potpuno
elektronske trgovine na malo, osim uslužnih, nisu mogle da prežive, pa se zatvaraju.
Organizacije se suočavaju i sa problemima zadržavanja postojećih i pridobijanja novih
kupaca, izvršavanjem narudžbi i predviñanjem tražnje.421 Osim toga on-line konkurencija
postaje veoma žestoka usljed jednostavnog prodora na elektronsko tržište. Sistemi podrške
odlučivanju i inteligentni sistemi mogu da se koriste da bi se unaprijedile strategije
elektronske trgovine.
420 Keskinocak, P. and Tayur, S. 2001. (March/April). "Quantitative Analysis for Internet-Enabled Supply
Chains". Interfaces, Vol. 31, No. 2, pp. 70-89. 421 Turban et al. 2005.Decision Support Systems and Intelligent Systems. N.J.: Pearson Education, Inc., Upper
Saddle River, p. 761.
243
Identifikovanje odgovarajućih modela sticanja prihoda. Za uspjeh u elektronskoj
trgovini moraju se identifikovati odgovarajući modeli sticanja prihoda. U tu svrhu konstruišu
se sistemi podrške odlučivanju i inteligentni sistemi za razmatranje alternativnih izvora
prihoda i predviñanje izgleda za njihovo ostvarivanje u dužem vremenskom periodu.
Analiza rizika . U odlučivanju za uvoñenje novih inicijativa elektronske trgovine
potrebna je i analiza rizika tako da, se u tom slučaju, organizacije mogu koristiti sistemima
podrške odlučivanju i inteligentnim agentima.
6.3.3 Mobilni i inteligentni agenti u elektronskoj trgovini
Vještačka inteligencija nastavlja da igra značajnu ulogu u većini vodećih
informacionih sistema. Njena primjena bila je ranije ograničena zbog kompleksnosti,
monolitnog dizajna i pomanjkanja stručnih projektanata sistema. Doprinos vještačke
inteligencije naročito je veliki u stohastičkim sistemima i procesima kao što su tokovi
poslova, data mining, vremensko planiranje proizvodnje, logistika lanca snabdijevanja i, u
novije vrijeme, elektronska trgovina.422 Njeni novi oblici nisu prošli monolitni sistemi
vještačke inteligencije, već distribuirana vještačka inteligencija poznata pod popularnim
imenom tehnologija inteligentnih agenata koja predstavlja sljedeći logičan korak u
prevazilaženju nedostataka u elektronskoj trgovini. Naime, uspješni računarski sistemi koji su
osnova za elektronsku trgovinu zahtijevaju rasuñivanje i znanje eksperata kao što su
nabavljači, pregovarači o aranžmanima i specijalisti iz oblasti marketinga.
Takoñe je korisno istraživanje uloge agenata kao medijatora u elektronskoj trgovini u
kontekstu opšte konstrukcije. Inteligentnim agentima ili šoping robotima koriste se kupci
prilikom izgradnje filtera naručivanja i traženja informacija o proizvodima za koje su
zainteresovani, ocjenjuju konkurentske proizvode u skladu sa kriterijumima koje su postavili i
pregovaranje sa dobavljačima o cijeni i vremenu isporuke. Na osnovu toga može se izgraditi
model koji polazi od istraživanja ponašanja potrošača pri kupovini, a sadrži akcije i odluke
uključene u kupovinu i upotrebu proizvoda i usluga. Model može da pokriva mnoga područja,
ali prvenstveno se fokusira na maloprodajna tržišta, iako može da se odnosi i na B2B i B2C
modele tržišta. Elektronska trgovina pokriva takoñe širok opseg pitanja od kojih su neka izvan
opsega toga modela ponašanja potrošača prilikom kupovine. Postoje takoñe različite
deskriptivne teorije i modeli pomoću kojih se nastoji obuhvatiti ponašanje kupaca kao što su
422 Fingar, P. 1998 (June). A CEO's Guide to eCommerce Using Object-Oriented Intelligent Agent Technology
(http://home1.gte.net/pfingar/eba.htm)
244
Nicosia model, Howard-Shet model, Engel-Blackwell model i Andreasen model. Svi ti modeli
dijele sličan skup od nekoliko fundamentalnih faza procesa kupovine pomoću kojih se takoñe
objašnjava gdje se tehnologije agenata primjenjuju na iskustvo kupovine. Te faze su: (1)
identifikacija, (2) brokerski poslovi ili trgovinsko posredovanje, (3) pregovaranje, (4) plaćanje
i isporuka i (5) servisiranje proizvoda i evaluacija.423
Identifikacija. Ova faza karakteristična je po tome da kupac postaje svjestan
odreñene nezadovoljene potrebe podsticanjem preko informacija o proizvodu. Agenti mogu
da imaju važnu ulogu za kupovine koje se ponavljaju ili se mogu predvidjeti. Jedan od
najstarijih i najednostavnijih primjera softverskih agenata jesu tzv. "monitori", programi koji
se kontinuirano izvršavaju i koji kontrolišu skup senzora ili tokova podataka i preduzimaju
akciju kada se pojavi unaprijed odreñena okolnost. Primjer takvog agenta jesu tzv. "oči"
(eyes) na amazon.com koji kontroliše katalog knjiga za prodaju i upozorava kada se pojavljuje
odreñeni dogañaj koji bi mogao da bude od interesa za kupca, npr. kada se pojavi knjiga koja,
po svom sadržaju, pripada odreñenoj vrsti za koju bi kupac mogao da bude zainteresovan.
Brokerski poslovi ili trgovinsko posredovanje može da se podijeli u dvije podfaze:
(1) posredovanje za proizvode i (2) trgovinsko posredovanje. Posredovanje u vezi sa
proizvodom omogućava kupcu da odredi šta da kupi evaluacijom prikupljenih informacija o
proizvodu, najčešće pomoću agenta za nadgledanje. Rezultat ove faze kupovine jeste
razmatranje skupa proizvoda. Postoji nekoliko sistema agenata koji smanjuju troškove
istraživanja kupaca kada odlučuju o tome koji proizvod najbolje zadovoljava njihove potrebe:
PersonaLogic, Firefly, Tête-a-Tête. U podfazi trgovinskog posredovanja kombinuje se
razmatrani skup proizvoda iz prethodne podfaze sa alternativama koje odreñuje trgovac da bi
se pomoglo kupcima od koga da kupuju. Problem koji je ovdje izložen pripada problemima
koje većina trgovaca ne može da riješi samo konkurentnom cijenom, pa žele da se dodatne
usluge, koje povećavaju vrijednost (garancija, raspoloživost, vrijeme isporuke, reputacija),
uključe u odlučivanje potrošača o kupovini.
Pregovaranje. U ovoj fazi dogovara se cijena i drugi elementi transakcije.
Pregovaranje u realnom svijetu povećava transakcione troškove koji mogu da budu veoma
visoki bilo za kupce bilo za trgovce. Postoje takoñe prepreke u realnom svijetu da se koristi
pregovaranje kao što su ograničenja u vremenu, frustracije, strane u pregovaranju mogu da
budu geografski dislocirane itd., koje većim dijelom iščezavaju u digitanom svijetu. Većina
423 Maes, P., Gutmann, R. H. and Moukas, A. G. 1999 (March)."Agents That Buy and Sell: transforming
Commerce as We Know It, Communications of the ACM. Vol. 42. No. 3. ACM Press, pp. 81-91.
245
B2B transakcija uključuje pregovaranje. U trgovini na malo uglavnom se radi o fiksnim
cijenama. Koristi od dinamičkog pregovaranja o cijeni za proizvod umjesto njenog fiksiranja
jeste da ona oslobaña trgovca od potrebe da odredi vrijednost robe unaprijed. Bolje je da se
ovaj zadatak prenese na tržište.
Plaćanje i isporuka. Ova faza može da signalizuje kraj pregovaračke faze ili se
ponekada, pojavljuje kasnije u bilo kojem redoslijedu. U nekim slučajevima opcije za
plaćanje i isporuku, koje stoje na raspolaganju, mogu da utiču na brokerske aktivnosti vezane
za proizvod i trgovačke brokerske poslove.
Servisiranje i evaluacija proizvoda. Ova faza, koja se dogaña poslije kupovine,
obuhvata servisiranje proizvoda, servisiranje kupca i evaluaciju zadovoljenja cjelokupnog
iskustva i odluke o kupovini.
Navoñenjem skupa faza mogu se identifikovati i uloge agenata kao posrednika u
elektronskoj trgovini. Po svojim karakteristikama agenti su veoma svrsishodni za
posredovanje u istraživanju ponašanja potrošača koja obuhvataju filtriranje i pretraživanje
informacija, personalizovane evaluacije, složenu koordinaciju i interakciju u bilo kojem
vremenu. Te uloge uglavnom korespondiraju sa identifikacijom potrebe, proizvodnim i
trgovinskim pregovaranjem i pregovaračkim fazama modela ponašanja pri kupovini.
U nastavku rada opisuju se PersonaLogic i Firefly agenti.
PersonaLogic424 je alat koji omogućava potrošačima da na najbolji način zadovolje
potrebe njihovim voñenjem kroz veliki karakterističan prostor. Sistem filtrira neželjene
proizvode u datom području nakon što potrošač navede ograničenja u vezi sa karakteristikama
proizvoda. Agent nudi spisak proizvoda koji zadovoljavaju sva gruba i detaljna ograničenja
kupca.
Firefly425 je sistem koji preporučuje proizvode pomoću automatskog mehanizma za
preporučivanje koji se naziva kolaborativno filtriranje. Sistem prvo uporeñuje proizvod
potrošača sa istim proizvodima drugih potrošača. Poslije identifikovanja najbližeg susjeda
kupca sistem preporučuje proizvode koje su susjedi ocijenili najvećom ocjenom ali koje
kupac još nije ocijenio. U suštini Firefly se koristi mišljenjem bliske osobe (susjeda) da bi dao
preporuke. Takve preporuke najčešće se odnose na muziku, knjige kao i proizvode koje je
teško opisati kao što su restorani i Web lokacije.
424 www.personalogic.com 425 www.firefly.com
246
Elektronska trgovina nudi kupcima i prodavcima nove kanale distribucije i poslovne
modele za efikasnu i efektivnu trgovinu robom i uslugama preko Interneta. Elektronsko tržište
može da funkcioniše u skladu sa različitim poslovnim modelima koji obuhvataju elektronsku
prodaju putem kataloga, elektronske nabavne centre (e-procurement), aukcije i reverzne
aukcije i berze koji su okrenuti na potrebe trgovine i poslovne zahtjeve različitih vertikalnih i
horizontalnih tržišta. Još se, 2003. godine, procjenjivalo da će broj elektronskih tržišta za
naredne četiri godine biti izmeñu 5.000 i 10.000 sa mogućnošću spajanja i akvizicija koje će
rezultirati u manjem broju većih meñusobno povezanih elektronskih tržišta sa naprednijom
trgovinom, mobilnim pristupom i mogućnostima veće podrške korisniku.426
Većina postojećih elektronskih tržišta fokusira se na olakšavanje razmjene
informacija izmeñu kupaca i prodavaca koji mogu da pristupe elektronskom tržištu da bi
komunicirali i trgovali s drugim učesnicima preko svojih Web pretraživača. Mada elektronska
tržišta često obezbjeñuju naprednu podršku upravljanju podacima koja uključuju upravljanje
katalozima, traženje trgovaca i proizvoda, naručivanje, plaćanje i izvještavanje, karakteistično
je da tržišta zahtijevaju da učesnici češće kontrolišu povoljne prilike za trgovinu na
elektronskom tržištu, da se angažuju na zadacima razmjene informacija i donošenja odluka
koji se ponavljaju i često su dugotrajni i većinu odluka o trgovini donose po intuiciji bez
upotrebe informacionih sistema. Ovo može da nametne visoke troškove učestvovanja zbog
većine manuelnih napora i zahtjeva za osobljem sa više iskustva da učestano donose odluke o
trgovini koje su vrlo često veoma složene. To stvara rizik od gubljenja povoljnih prilika za
poslovanje ako je aktivno vrijeme učestvovanja ograničeno limitiranom dostupnošću osoblja
ili fizi čke prisutnosti elektronskom tržištu. Osim toga, angažovanje neiskusnog osoblja u
donošenje poslovnih odluka može da rezultira neefikasnim transakcijama zbog neoptimalnih
poslovnih aranžmana. Ovi problemi postaju izraženiji u tendenciji poslovanja da se trguje u
nekoliko meñusobno povezanih elektronskih tržišta i korišćenjem novonastalim
komunikacionim kanalima kao što su personalni digitalni asistenti (PDA) i mobilni
telefoni.427
Dakle, da bi se pojednostavio pristup i učešće, smanjili troškovi učešća i poboljšala
efikasnost poslovanja, podržala automatizacija donošenja poslovnih odluka i omogućili novi
426 Kowalczyk, R.. et al. 2003. "Deploying Mobile and Intelligent Agents in Interconnected E-Marketplaces".
Journal of Integrated Design and Process Science, p. 109. 427 Ibid, p. 110.
247
komunikacioni kanali u sljedećim generacijama elektronskih tržišta biće neophodni mobilni
ureñaji za poslovanje.
Postoji nekoliko načina funkcionisanja elektronskih tržišta koji se zasnivaju na
inteligentnim mobilnim agentima, zavisno od scenarija modela poslovanja i procesa
donošenja poslovnih odluka za automatsku trgovinu kao i odabranih mobilnih solucija za
agente trgovine na elektronskim tržištima. Mogući načini funkcionisanja su: 428
1. Scenariji modela poslovanja
� Poslovanje na osnovu kataloga: elektronska prodaja u kojoj prodavci
sastavljaju svoje kataloge proizvoda koji su dostupni na elektronskim tržištima
za kupce koji pristupaju tim tržištima; elektronska nabavka u kojoj kupci
kreiraju vlastite kataloge nabavke i dopuštaju prodavcima da postave svoje
kataloge ponuda na elektronska tržišta. U oba slučaja poslovni agenti na
elektronskom tržištu mogu da izvršavaju i poslove prodavca i poslove kupca, a
obuhvataju pronalaženje kataloga, uporeñivanje, pregovaranje o transakciji i
naručivanje.
� Aukcije: prodavci kreiraju aukcije unaprijed za prodaju proizvoda prema
zahtjevima kupaca na elektronskom tržištu; kupci kreiraju reverzne aukcije za
kupovinu proizvoda od prodavaca koji nude proizvode na elektronskom tržištu.
Agenti poslovanja mogu da upravljaju aukcijama i da učestvuju u procesu
ponude za interes ponuñača.
� Dinamičke berze: kupci i prodavci angažovani su istovremeno na kupovini i
prodaji na elektronskom tržištu. Agenti ovdje mogu da automatizuju trgovinu
koja se zasniva na katalozima ili da budu angažovani u tzv. duplim aukcijama
za interes kupaca i prodavaca.
2. Proces donošenja odluke
� Emulacija trgovca: poslovni agenti prate pravila donošenja odluke kako to čini
čovjek u skladu sa modelima poslovanja na postojećem elektronskom tržištu
� Jačanje i ohrabrivanje trgovca: trgovački agenti funkcionišu u skladu sa
optimalnom strategijom donošenja odluke koja je projektovana za nove modele
trgovine kao što su dinamičko formiranje cijena i napredniji modeli poslovnog
pregovaranja.
428 Ibid, p. 111.
248
3. Automatsko trgovanje
� Agent − čovjek: trgovački agenti angažovani u aktivnostima trgovine sa
osobama koje učestvuju u trgovini na elektronskim tržištima.
� Agent − agent: agenti trgovine vode potpuno automatsku trgovinu sa drugim
agentima obično u za to namijenjenom trgovinskom prostoru na elektronskom
tržištu.
4. Mobilnost
� Agenti stacionarne trgovine i mobilne komunikacije: agenti trgovine,
stacionirani na elektronskom tržištu, vode automatsku trgovinu u skladu sa
parametrima poslovanja i pravilima koja dostavljaju specijalizovani mobilni
komunikacioni agenti sa lokacije korisnika i koji dostavljaju rezultate trgovine
korisnicima.
� Agenti mobilne trgovine: agenti trgovine koji su pokrenuti sa lokacije
korisnika i pomjeraju se od jednog do drugog elektronskog tržišta da bi bili
angažovani u automatskoj trgovini na elektronskom tržištu za interes korisnika.
Glavni cilj InterMarket pristupa jeste integracija tehnologija mobilnih i inteligentnih
agenata u komercijalni elektronski tržišni prostor. 429 Liang, T. P. i Huang, J.430 su proučavali
primjenu inteligentnih agenata namijenjenih pojednostavljivanju elektronske trgovine i
predstavili troslojnu arhitekturu organizovanja inteligentnih agenata za elektronsku trgovinu
koja razmatra vrste agenata i znanje kojim se koristi svaka vrsta agenata. Yang, C. i Chung,
A.431 su predstavili arhitekturu koja posebno fokusira na smanjenju saznajnih napora
donosioca odluka korišćenjem softverskih agenata kao posrednika izmeñu korisnika i
informacionih provajdera. Esencijalno je da donosioci odluka budu podržani preko interfejsa
voñenih znanjem i sistemskim entitetima koji smanjuju saznajne napore. Antoniou, G. i Arief,
M.432 ukazuju na neophodnost formalizovanja poslovnih pravila za podršku automatskim
poslovnim procesima koje preuzimaju inteligentni sofverski agenti.
429 Kowalczyk, R.. et al. 2003. "Deploying Mobile and Intelligent Agents in Interconnected E-Marketplaces".
Journal of Integrated Design and Process Science, p. 113. 430 Liang, T. P. and Huang, J. 2000. "A Framework for Applying Intelligent Agents to Support Electronic
Trading". Decision Support Systems (28), pp. 305-317. 431 Yang, C. and Chung, A. "Intelligent Informediary for Web Financial Information". Decision Support Systems. 432 Antoniou, G. and Arief, M. 2001. "Executable Declarative Business Rules and Their Use in Electronic
Commerce". International Journal of Intelligent Systems in Accounting, Finance and Management (10), pp. 211-223.
249
6.3.4 Upravljanje znanjem na elektronskom tržištu
Opstanak na tržištu u uslovima oštre konkurencije u digitalnoj ekonomiji zahtijeva da
organizacije neprestano traže inovativna rješenja za modernizovanje poslovnih procesa.
Strategije, kao što su upravljanje lancem snabdijevanja, zajednički rad na razvoju proizvoda i
planiranje resursa organizacije, imale su stratešku primjenu u posljednjoj deceniji za podršku
razvoju sinergijskih relacija sa organizacijama koje sarañuju duž lanca vrijednosti pri isporuci
vrijednosti koja se nudi potrošačima. Posljednja decenija karakteristična je po značajnom
napretku tehnologija koje se zasnivaju na Web-u za integraciju heterogenih sistema u
organizacijama potrebnih da služe različitim zahtjevima meñuorganizacionih procesa koji
obuhvataju kolaborativno projektovanje proizvoda, višestrane poslovne transakcije i
outsourcing433 poslovne funkcije. Ta kretanja obezbjeñuju osnov za strategiju elektronskog
poslovanja kojim se bave preduzeća svih veličina u različitim granama. Preduzeća posluju u
ekonomiji voñenoj znanjem i povećanom djelovanju organizacija koje se zasnivaju na znanju.
U takvom okruženju bogatom znanjem elektronsko poslovanje mora eksplicitno da prepozna
znanje, procese i tehnologije za upravljanje i razmjenu znanja izmeñu učesnika u njihovom
lancu vrijednosti.434 Prepoznatljiva je uloga informacionih posrednika u omogućavanju
distribucije, razmjene i agregiranja informacija za elektronska tržišta. Informacioni posrednici
za informaciona tržišta u elektronskom tržišnom prostoru su isto što i posrednici, trgovci na
veliko i trgovci na malo, na fizičkim tržištima u tradicionalnom tržišnom prostoru.435
Informacioni posrednici igraju važnu ulogu na elektronskom tržišnom prostoru upravljanjem
tokovima informacija za podršku poslovnim procesima koje zahtijevaju elektronska tržišta.
6.4 Istraživanje tržišta u elektronskom sistemu upravljanja kupcima
6.4.1 Istraživanje i poslovno odlučivanje
Postoje mnoge paralele izmeñu procesa donošenja odluka i procesa istraživanja, a
menadžeri bi trebalo da budu kompetentni u istraživačkom pristupu odlučivanju i rješavanju
433 Outsourcing - praksa ugovaranja poslova računarskih centara, telekomunikacionih mreža ili aplikacija
projektovanja za eksterne naručioce (Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle River, p.326.)
434 Holsapple, C. and Singh, M. 2000 (Jul/Sep). "Toward a Unified View of Electronic Commerce, Electronic Business and Collaborative Commerce: A Knowledge Management Approach". Knowledge and Process Management, p. 159.
435 Grover, V. and Teng, J. T. C. 2001 (April). "E-Commerce and the Information Market". Communications of the ACM (44:4).
250
problema.436 Proces istraživanja u isto vrijeme je i način unapreñivanja znanja, ali služi i kao
naučna i sistematizovana procedura koja pomaže u rješavanju problema upravljanja. Na slici
6.5 prikazane su paralele izmeñu procesa istraživanja i procesa rješavanja problema. U oba
slučaja radi se o sekvencijalnim kontinuiranim procesima u kojima postoji kontinuirana
povratna veza koja se zasniva na posmatranju i kontroli procesa.
Za uspješno upravljanje poslovanjem, posebno B2C modelom elektronskog
poslovanja, veoma je važno da se utvrdi ko su aktuelni, a ko potencijalni kupci i šta ih
motiviše da kupuju. Postoji nekoliko istraživačkih institucija koje prikupljaju korisne
statističke podatke na Internetu.437 Istraživačke institucije posmatraju i faktore koji utiču na
sprečavanje kupovine. Na osnovu takvih informacija menadžeri pripremaju marketinške i
promotivne strategije organizacije. Meñutim, bilo da se radi o klasičnom bilo o elektronskom
poslovanju istraživanje tržišta počinje definisanjem problema i ciljeva istraživanja.
Slika 6.5 Proces istraživanja i proces rješavanja problema (odlučivanja)
Proces istraživanja Proces rješavanja problema (odlučivanja)
Identifikovanje šireg područja Prepoznavanje problema
Izbor teme Postavljanje ciljeva
Izbor pristupa Razumjevanje problema
Formulisanje plana Utvrñivanje opcija
Prikupljanje informacija Ocjena opcija
Analiziranje podataka Izbor
Prikazivanje rezultata
Implementacija
Izvor: (prilagoñeno) Belle and Reedy. 1999. Organizational Decision-making Study. Hull: University of Lincolnshire and Humberside, p. 21.
Definisanje marketinških problema predstavlja početnu fazu svakog istraživačkog
procesa, a precizno definisan marketinški problem je potreban uslov za pravilno postavljanje
ciljeva istraživanja i pravilno rješavanje toga problema. Ciljevi istraživanja su marketinški
problemi prevedeni na jezik istraživača.438 Prevoñenje problema najčešće se odvija u dva
koraka: prvo se problem transformiše u jedno ili više istraživačkih pitanja a zatim se
436 Gill, J. and Johnson, P. 1997. Research Methods for Managers. London: Paul Chapman Publishing, p. 3. 437 www.emarketer.com; www.acnielsen.com 438 Hanić, H. 2003. Istraživanje tržišta i marketing informacioni sistem. Beograd: Ekonomski fakultet, str.205.
251
istraživačka pitanja transformišu u ciljeve istraživanja. Prilikom prevoñenja marketinških
problema u ciljeve istraživanja važno je da se pravilno ocijeni koje informacije najviše mogu
da pomognu donosiocu odluke prilikom rješavanja marketinškog problema i da se tome
prilagode ciljevi istraživanja.
U uslovima elektronskog poslovanja i istraživanja elektronskog tržišta potrebno je
istražiti i ko su potrošači elektronske trgovine. On-line potrošači mogu da se podijele u dvije
vrste: individualni potrošači i organizacije koje obuhvataju vlade, privatne korporacije, tržišne
posrednike, javne organizacije i dr. Nabavke koje vrše organizacije obično se koriste za
proizvodnju proizvoda ili vršenje usluga dodavanjem vrijednosti sirovom materijalu ili
gotovim komponentama. Organizacije kao što su trgovine na veliko ili trgovine na malo mogu
da kupuju proizvode radi prodaje bez bilo kakve dalje prerade. Istraživanje tržišta, utvrñivanje
odgovarajućih strategija i donošenje adekvatnih poslovnih odluka ima različit pristup za te
dvije vrste potrošača elektronske trgovine.
6.4.2 Istraživanje tržišta u elektronskom poslovanju
Direktna kupovina uz pomoć Interneta ne mora da bude nagla promjena za one kupce
koji su navikli da kupuju uz pomoć kataloga koji se šalju poštom ili uz pomoć televizije (tzv.
TV šoping). Meñutim, prelazak sa fizičkog na elektronsko tržište nije tako jednostavan. Pored
toga, kupovne navike mijenjaju se i uvoñenjem inovativnih marketing strategija. Pronalaženje
šta pojedine grupe potrošača žele da kupe vrši se pomoću segmentacije, odnosno podjelom
potrošača u pojedine segmente (starost, pol i sl.) i učenjem o potrošačima koje je veoma
važno za bilo koje uspješno poslovanje, posebno za elektronsko poslovanje. Učenje o
kupcima, odnosno razumijevanje ponašanja potrošača omogućava istraživanje tržišta.
Istraživači tržišta, na osnovu informacija, sumiraju svoja istraživanja u različitim modelima
ponašanja potrošača. Namjena tih modela jeste da prodavac razumije na koji način potrošač
donosi odluku o kupovini. Prodavac koji shvati taj proces biće u mogućnosti da utiče na
odluku kupca oglašavanjem ili posebnim promotivnim aktivnostima. Na slici 6.6 prikazan je
osnovni model ponašanja potrošača prilagoñen elektronskom okruženju.
252
Slika 6.6 Model ponašanja potrošača prilagoñen elektronskom okruženju
Izvor: (prilagoñeno) Turban et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson
Education, Inc., Upper Saddle River, p.766.
Model elektronskog poslovanja, prikazan na slici 6.6, sačinjavaju:
- Nezavisne ili nekontrolisane varijable: personalne karakteristike i karakteristike
okruženja.
- Varijable kontrolisane od strane prodavca (interventne ili ograničavajuće
varijable): tržišni podsticaji, sistem elektronske trgovine. Ovdje od velike pomoći
za prodavca mogu da budu sistemi podrške odlučivanju i inteligentni sistemi.
- Proces donošenja odluke (u centru slike) pod uticajem je nezavisnih i
interventnih varijabli. Proces se završava odlukama potrošača kako je to
prikazano na desnoj strani slike.
- Zavisne varijable koje prikazuju donesene odluke.
Individualne karakteristike ====================
Starost, pol, nacionalnost, nivo obrazovanja, način života, psihologija, znanje, personalne vrijednosti
Karakteristike okruženja ===================
Društvene, kulturne, političke, tehnološke i dr.
Nezavisne (nekontrolisane varijable)
PROCES DONOŠENJA
ODLUKE
Odluke potrošača ================
Kupiti ili ne kupiti, šta kupiti, gdje (od koga), kada, koliko potrošiti, ponoviti kupovinu
Tržišni podsticaji ==============
Cijena, marka, promocija, kvalitet proizvoda, dizajn
Varijable kontrlolisane od strane prodavca (interventne varijable)
Sistemi elektronske trgovine
Logistička podrška Tehnička podrška Potrošački servis Plaćanje Isporuka
Web dizajn Inteligentni agenti
Pitanja, e-mail, call centri, 1:1
Zavisne varijable (Rezultati)
253
Nezavisne varijable modela
Postoje dvije vrste nezavisnih varijabli: personalne i karakteristike okruženja.
Personalne karakteristike obuhvataju starost, pol, bračno stanje, nivo obrazovanja,
etničnost, zanimanje, prihode domaćinstva i druge demografske varijable. Nekoliko Web
lokacija439 obezbjeñuje direktne (on-line) informacije o kupovnim navikama potrošača. Druga
vrsta personalnih karakteristika jesu psihološke varijable koje marketari proučavaju i
uvažavaju, a to su karakteristike ličnosti i karakteristike stila života. Obje vrste personalnih
karakteristika kvalitetno mogu da se istraže primjenom različitih inteligentnih sistema:
inteligentnih agenata, fuzzy ekspertnih sistema, sistema koji se zasnivaju na vještačkim
neuronskim mrežama, genetskim algoritmima, a naročito njihovom integracijom i
kombinovanjem.
Karakteristike okruženja svrstavaju se u socijalne, kulturalne, političke, pravne,
tehnološke i ostale varijable.
Socijalne varijable imaju važnu ulogu pri kupovini u elektronskoj trgovini. Na
kupovinu pojedinca utiču članovi porodice, prijatelji, saradnici, moda i drugi faktori. Pomoću
savremenih inteligentnih metoda, koje se primjenjuju u inteligentnim sistemima podrške
odlučivanju, mogu se prikupljati i obrañivati informacije o tim faktorima i otkriti skrivene
veze izmeñu tih varijabli.
Kultura je faktor koji determiniše ponašanje pojedinca kao potrošača, pa je osnovni
zadatak istraživanja tržišta saznavanje različitih kulturnih dimenzija cjelokupne zajednice i
pojedinaca pripadnika odreñenoj društvenoj zajednici i kulturi. Postojanje razlika u kulturi
determiniše i razlike u kupovnim navikama i ponašanju potrošača koje istraživači tržišta,
primjenom adekvatnih tehnika, inteligentnih metoda i sistema moraju da utvrde, a menadžeri
– donosioci poslovnih odluka moraju razraditi odgovarajuću strategiju pomoću koje će
različito uticati na potrošače pripadnike raznih kultura.
Ostale varijable okruženja obuhvataju dostupne informacije i saznanja o okruženju,
propise vlade, zakonska ograničenja i druge eksterne faktore.
Interventne ili ograničavajuće varijable modela
Odreñene interventne varijable prodavac može da kontroliše dok druge determiniše
tržište. Interventne varijable okruženja obuhvataju formiranje cijena, oglašavanje, promotivne
439 www.kmm.com; www.emarketer.com
254
aktivnosti i definisanje marke. Takoñe je važno i fizičko okruženje, logistička podrška i
servisiranje potrošača.
Tehnološke i varijable Web stranice. Prodavci mogu da kontrolišu tehnološke
varijable kao što su: logistika, podrška plaćanju koje mora da bude bezbjedno, jednostavno za
korišćenje i jeftino, tehnička podrška koja obuhvata odgovarajući dizajn Web stranice i
raspoloživost inteligentnih pomoćnih sredstava kupovine (inteligentni agenti) i servisiranje
potrošača koje obuhvata sve CRM alate.
Zavisne varijable modela – odluke o kupovini
Kupci mogu da donose različite odluke: da li da kupe ili da ne kupe, šta da kupe, gdje
i kada i koliko da kupe. Te odluke zavise od nezavisnih ili interventnih varijabli. Cilj učenja o
kupcima i voñenje istraživanja tržišta jeste omogućavanje prodavcima koji kontrolišu sisteme
elektronske trgovine i tržišne podsticaje i "da znaju da donose odluke" na osnovu interventnih
varijabli.
Na slici 6.6 prikazan je pojednostavljeni model. Realno stanje može da bude mnogo
složenije, posebno kada je potrebno da se kupi novi proizvod ili uvede nova procedura.
Prilikom on-line kupovine kupac bi mogao da prati sljedeći proces: shvatanje svijesti o
potrebi kupovine, zainteresovanost, ocjena, proba i izbor. Ovdje bi sistemi za podršku
odlučivanju mogli da nañu osnovnu primjenu. Osim toga inteligentni sistemi podrške
poslovnom odlučivanju koji se zasnivaju na inteligentnim agentima, mašinskom rezonovanju,
neuronskim mrežama i genetskom algoritmu mogu da pruže viši nivo automatizacije toga
procesa.440
U naporima da se opišu detalji procesa odlučivanja, koji dovode do konačne odluke o
kupovini, konstruisano je nekoliko modela procesa donošenja odluka potrošača. Takvi modeli
obezbjeñuju okvir za učenje o procesu da bi se predvidjelo, unaprijedilo ili uticalo na
ponašanje potrošača i njihove odluke. Postoje tri relevantna modela (slika 6.7):441
1. generički model odlučivanja o kupovini,
2. model odlučivanja kupca o kupovini na Web-u i
3. model za podršku on-line kupovini.
440 McDaniel, C. and Gates, R. H. 2001. Marketing Research: The Impact of the Internet.Cincinnati: South-
Western Publishing i Solomon, M. R. 2002. Cosumer Behavior. Upper Saddle River. N.J.: Prentice Hall. (Navedeno iz: Turban et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Education, Inc., Upper Saddle River, p.767.)
441 Turban, E. et al. 2005.Decision Support Systems and Intelligent Systems. N.J.: Pearson Education, Inc., Upper Saddle River, pp.766-767.
255
Slika 6.7 Sistem podrške odlučivanju o kupovini
Izvor: O'Keefe, R. M. and McEachern, T. 1998. "Performing and managing Expert System Validation". Advances in Expert Systems for Management. Vol. 1. Greenwich, CT: JAI Press.
Generički model odlučivanja o kupovini. Ovaj model sastoji se od dvije glavne faze
od kojih svaka sadrži nekoliko aktivnosti, a svaka aktivnost može da sadrži jednu ili više
odluka o kupovini. Te faze su: (1) identifikovanje potrebe, (2) traženje informacija, (3)
evaluacija alternativa, (4) naručivanje i isporuka i (5) evaluacija poslije kupovine. Iako te faze
nude generalni vodič ka procesu donošenja odluke kupca ne treba generalno prihvatati da će
se sve odluke kupca odvijati po tom redoslijedu. Naime, neki kupci mogu pristupiti kupovini
na odreñenoj fazi, a zatim da se vrate nekoj ranijoj fazi ili da preskoče neku od faza.442
Model odlučivanja u Web kupovini. Ovim modelom koristili su se O'Keefe, R. M. i
McEachern, T. (1998.)443 za izgradnju okvira za model naručivanja na Web-u i nazvali su ga
442 Strauss, J. et al. 2003. Internet Marketing, Upper Saddle River. N.J.: Prentice Hall (Navedeno iz: Turban et
al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Education, Inc., Upper Saddle River, p.768.)
443 O'Keefe, R. M. and McEachern, T. 1998. "Performing and managing Expert System Validation". Advances in Expert Systems for Management. Vol. 1. Greenwich, CT: JAI Press.
Koraci procesa odlučivanja
Prepoznavanje potrebe Pretraživanje informacija
Evaluacija, pregovaranje, selekcija Kupovina, plaćanje, isporuka Servis i evaluacija poslije kupovine
Sredstva sistema Agenti i bilježenje dogañaja
Virtuelni katalozi Strukturirane akcije i sesije pitanja i odgovora Povezivanje i orijentacija ka vanjskim izvorima Najčašće postavljena pitanja, Uzorci i probe Modeli evaluacije ponašanja potrošača Pokazivači na postojeće potrošače i informacije o njima
Naručivanje proizvoda ili usluga Dogovor o isporuci Podrška kupcu preko e-maila i foruma (newsgroups)
Internet sredstva podrške Oglašavanje na Web stranicama pomoću banera URL na fizičkim materijalima Diskusije u forumima (newsgroups) Web direktorijumi i klasifikatori Interno traženje na Web stranicama Ureñaji spoljnjeg pretraživanja Fokusirani direktorijumi i informacioni brokeri Diskusije u forumima Unakrsno poreñenje Web stranica Generički modeli Elektronska gotovina i virtuelno bankarstvo Logistička podrška i praćenje pakovanja Diskusije u forumima
256
sistem podrške kupcu pri odlučivanja (CDSS). Prema tom modelu svaka faza modela
kupovine može da bude podržana sredstvima CDSS-a i mogućnostima Interneta.
Model za podršku on-line kupovini. Da bi se podržalo odlučivanje kupca o kupovini i
pronalaženje odgovarajućih informacija o proizvodima i uslugama na Web-u mogu se
projektovati modeli podrške on-line kupovini. Osnovni cilj takvih modela jeste da se
poreñenjem karakteristika proizvoda i usluga, cijena i drugih parametara utiče na kupca da
lakše donese odluku o kupovini.
Za praćenje posjećenosti Web lokacijama i ponašanja posjetilaca i potencijalnih
kupaca na Web-u postoje odgovarajući softverski paketi koji, donekle, funkcionišu na osnovu
odreñenih inteligentnih karakteristika. Softver može da memoriše vrste kupaca, informacije o
kontaktu sa kupcima, fizičke i elektronske adrese, istorijske podatke o kupcima, slike i druge
podatke i dokumenta o kupcima. Jedan takav paket, koji se pojavio 1996. godine, jeste i Data
Village444, kvalitetan softver sa bazama podataka za poslovanje i edukaciju. Softver
karakteriše snažna pretraživačka mašina, kreator izvještaja, HTML generator, generator tabela
i grafikona sa bogatim tekstualnim fajlovima, pregledom kompletnih albuma slika,
kontekstnom pomoći i automatskim generisanjem dostavnih lista. Može jednostavno da se
prilagodi zahtjevima korisnika, a omogućava i eksportovanje podataka ka drugim
aplikacijama.
Navedeni modeli i softver predstavljaju samo prelaz ka inteligentnim softverskim
agentima koji omogućavaju i unapreñuju istraživanje tržišta i, zavisno od stepena
inteligencije, mogu da izvršavaju mnoge druge zadatke. Yuan, S. T.445 projektovao je 2003.
godine inteligentni agent koji asistira kupcima prilikom kupovine, a zajedno sa Tsao, Y. W.446
i inteligentni sistem u obliku mehanizma za davanje preporuka u konteksualnom mobilnom
oglašavanju. Osnovni cilj tih inteligentnih sistema jeste da prodavci na jednostavan, brz i
relativno jeftin načina istraže šta kupci žele direktnom interakcijom sa njima i praćenjem
aktivnosti kupaca na Web-u. Najednostavniji način da se doñe do saznanja šta kupci žele jeste
da se traži od potencijalnih kupaca da popune elektronski upitnik, mada u nekim slučajevima
to nije izvodljivo ili kupci daju pogrešne informacije. Zato je praćenje aktivnosti i ponašanja
kupaca na Web-u adekvatniji način. Praćenje može da se povjeri inteligentnim agentima koji
444 www.datavillage.com 445 Yuan, S. T. 2003 (January). "A Personalized and Integrative Comparasion-Shopping Engine and Its
Applications". Decision Support Systems. 446 Yuan, S. T. and Tsao, Y. W. 2003. "A Recommendation Mechanism for Contextual Mobile Advertising".
Expert Systems with Application. Vol. 24. No. 4, pp. 399-414.
257
sakupljaju podatke o kupcima i sastavljaju periodične izvještaje koji obuhvataju demografske
i druge podatke o kupcima.
6.4.3 Elektronsko upravljanje odnosima s kupcima
Upravljanje odnosima s kupcima ili sistem za upravljanje odnosima sa kupcima
(CRM) predstavlja strategiju učenja o kupcima i njihovom ponašanju da bi se, na taj način,
razvili jači odnosi s njima. Suštinu CRM-a čine četiri procesa: (1) identifikacija kupaca, (2)
diferenciranje kupaca, (3) efikasna i efektivna interakcija s kupcima i (4) prilagoñavanje
proizvoda i usluga kupcima. Podržan odgovarajućim softverskim rješenjima, CRM je proces
kojim se dobija mnoštvo informacija o kupcima, prodaji, uspješnosti i odgovornosti
marketinga, tržišnim trendovima itd. 447
U elektronskoj trgovini CRM igra važniju ulogu jer se kupac i trgovac ne sreću
direktno. Ako je CRM podržan elektronski onda se naziva elektronski sistem upravljanja
odnosima s kupcima (eCRM) i obično je podržan sa nekoliko alata:448 FAQs, e-mail, sredstva
za praćenje narudžbi, servisiranja i sl., personalizovane Web stranice, chat rooms (prostorije
za ćaskanje), call centri koji se zasnivaju na Web-u i dr.
CRM podržava marketinški koncept i razvio se na odreñenom stepenu razvoja
marketinga koji se odvijao u četiri faze: (1) faza masovnog marketinga, (2) faza ciljanog
marketinga, (3) faza potrošačkog marketinga i (4) faza direktnog marketinga ili marketinga
jedan prema jedan (1 : 1).449
Faza masovnog marketinga karakteristična je po osnovnom interesu – tržišnom
učešću, akcentu na pojedinačnoj prodaji, velikim pojedinačnim i skupim marketing
kampanjama. U centru pažnje su pojedinačne transakcije. U pogledu komunikaciono-
informacione tehnologije ova faza karakteristična je po primjeni rješenja koja su organizacije
razvijale za vlastite potrebe, na početku primjene iznajmljenih poštanskih usluga, korišćenju
jednostavnih datoteka podataka u obliku adresara i rijetkim standardnim aplikacijama.
U fazi ciljanog marketinga primjenjuje se detaljna segmentacija tržišta, planiranje i
provoñenje marketing kampanja odvija se za pojedine segmente tržišta. Umjesto masovnom
marketingu teži se definisanju ciljnih grupa potrošača, a u centru pažnje su proizvodi.
U primjeni informacione i komunikacione tehnologije akcenat je na kreiranju vlastitih, 447 Balaban, N. i Ristić, Ž. 2006. Poslovna inteligencija. Subotica: Ekonomski fakultet, str. 39. 448 Turban, E. et al. 2005.Decision Support Systems and Intelligent Systems. N.J.: Pearson Education, Inc.,
Upper Saddle River, p. 771. 449 Marić, V., Stojanović, D. 2003. Informacioni sistemi. Banja Luka: Ekonomski fakultet, str. 386-387.
258
pojedinačnih baza podataka, razvijanju aplikacija za podršku pojedinačnih projekata,
ograničenom korišćenju standardnih aplikacija za podršku rutinskih marketing aktivnosti i
ograničenoj tržišnoj analizi.
U fazi potrošačkog marketinga cilj je da se osvoji što veće učešće u ukupnoj
potrošačkoj bazi, nastoje se primijeniti razvijeni marketing modeli na sve segmente tržišta, u
centru pažnje je potrošač – kupac. Informaciona tehnologija zasniva se na stvaranju skladišta
podataka, povezivanje podataka i aplikacija i stvaranje baze znanja o kupcima.
Faza direktnog marketinga fokusira se na zadovoljavanje potreba potrošača u
realnom vremenu, kreiranje aktivnih Web lokacija, interakciji sa kupcima, interaktivnoj
segmentaciji tržišta, marketingu u realnom vremenu, marketing aktivnostima koje se podstiču
predviñanjima. Za ovu fazu karakteristično je da se zahtijeva dosta znanja o kupcima,
sposobnosti obuhvatanja i brze analize informacija i trenutne reakcije na zahtjeve promjenjive
potrebe kupaca. Što se tiče informacione tehnologije ova faza karakteristična je po primjeni
Interneta, intraneta i ekstraneta, interaktivnim upravljanjem marketingom i poslovanjem i
stvaranjem integrisanih skladišta podataka.
Upravljanje odnosima sa kupcima predstavlja ciklički i iterativni proces čiji je cilj da
informacije o kupcima transformiše u dugoročne odnose sa kupcima. Proces upravljanja
odnosima sa kupcima obuhvata četiri skupa aktivnosti: (1) otkrivanje znanja, (2) planiranje
tržišta, (3) interakcija sa kupcima i (4) analiza.450
Ključna aktivnost, koja se zasniva na otkrivanju znanja i aktivnostima planiranja
tržišta, jeste aktivnost interakcije sa kupcima u kojoj se, na osnovu ažuriranih i relevantnih
informacija, uspostavlja kontakt i interakcija sa postojećim i potencijalnim kupcima.451
Inteligentni sistemi, posebno inteligentni agenti upravljanja elektronskom poštom i dostavnim
listama (mailing lists) igraju ključnu ulogu u pretraživanju relevantnih informacija i znanja o
kupcima na Internetu. Analitičke aktivnosti omogućavaju kontinuirano učenje na bazi
interakcije sa kupcima. Analizom informacija i znanja, do kojih se dolazi uz pomoć tih
sredstava, omogućava se bolje profilisanje poruka i bolje komuniciranje sa kupcima.
450 Isto, str. 387. 451 Isto, str. 388.
259
6.5 Integrisanje inteligentnih sistema podrške poslovnom odlučivanju s drugim sistemima podrške
U četvrtom poglavlju rada zaključeno je da integracija naprednih inteligentnih
sistema podrške poslovnom odlučivanju dovodi do sinergije i unapreñivanja donošenja
poslovnih odluka, dok povezivanje naprednih informacionih tehnologija omogućava
rјešavanjе složenih problema poslovnog odlučivanja. U istom dijelu rada pažnju je zadržana i
na meñusobnoj integraciji inteligentnih sistema podrške poslovnom odlučivanju. U ovom
dijelu rada pažnja će se zadržati na integraciji i povezivanju inteligentnih i drugih sistema
podrške poslovnom odlučivanju.
6.5.1 Funkcionalna i fizička integracija inteligentnih sistema podrške odlučivanju
Integracija inteligentnih i drugih sistema podrške poslovnom odlučivanju, u ovom
poglavlju, posmatra se s aspekta projektovanja i funkcionalne i fizičke integracije.
Funkcionalnom integracijom obezbjeñuju se različite aplikacije inteligentnih sistema i
povezuju u jedinstven sistem koji može da predstavlja jednu radnu stanicu koja integriše
poslove u vezi sa elektronskom poštom, koristi se radnim tabelama, komunicira s eksternim
bazama podataka, stvara grafičke prezentacije, memoriše i upravlja podacima. Povezivanje
sistеmа zа pоdršku оdlučivаnju i еkspеrtnоg sistеmа, preko jednog interfejsa i jedinstvenog
skupa komandi, može da obezbijedi jedinstven izlaz neophodan za donošenje poslovne
odluke. Fizička integracija odnosi se na skup hardverskih, softverskih i komunikacionih
komponenti neophodnih da se ostvari funkcionalna integracija. U ovom dijelu rada
prvenstveno se razmatra funkcionalna integracija koja može da se izvrši na dva načina: (1)
integracija dvije ili više aplikacija sistema za podršku menadžmentu i stvaranje jedinstvene
aplikacije i (2) integracija jednog ili više sistema za podršku menadžmentu s drugim
informacionim sistemima kao što je sistem za upravljanje znanjem, baze podataka ili
finansijski sistem. Integracija može da se odvija unutar kompanije (interna integracija) ili
izmeñu sistema različitih kompanija (eksterna integracija).
Godine 2003. objavljen je članak u kojem je prikazano istraživanje usmjereno na
razvoj inteligentnog mobilnog agenta baziranog na sistemu elektronskog tržišta (tržišnog
prostora) koji se naziva InterMarket i koji pruža podršku mobilnom pristupu i automatskom
poslovanju na meñusobno povezanim elektronskim tržištima.452
452 Kowalczyk, R.. et al. 2003. "Deploying Mobile and Intelligent Agents in Interconnected E-Marketplaces".
Journal of Integrated Design and Process Science, p. 110.
260
Slika 6.8 Saradnja poslovnih partnera na elektronskom tržišnom prostoru podržana inteligentnim multiagentima
Izvor: (prilagoñeno) Iyer, L. et al. 2005. Intelligent Agents to Support Information Sharing in B2B
E-Marketplace. Information Systems Management, p. 46. www.ism-journal.com
InterMarket integriše mobilne agente i agente za inteligentno donošenje odluka koji
se nude u okviru dodatne komponente postojećoj komercijalnoj platformi elektronskog tržišta.
Prema tome, InterMarket omogućava mobilni pristup i automatsko poslovanje na
elektronskom tržištu. On čini opštu koncepciju budućih elektronskih tržišta u kojima poslovne
aktivnosti mogu da se odvijaju automatski pomoću softverskih agenata koji se šalju na
elektronska tržišta na osnovu zainteresovanosti kupaca i prodavaca.
InterMarket agenti imaju autonomno donošenje odluka i mobilne mogućnosti, a
mogu proaktivno da prate poslovne prilike, da traže poslovne partnere, generišu i donose
poslovne odluke da bi zadovoljili ciljeve, preferencije i ograničenja korisnika uvažavanjem
Kupac Transakcioni agent
Agent kupca
Informacioni posrednici
Za
htje
vi
kup
ca
Za
htje
vi
kup
ca
(XM
L)
Prodavac Transakcion
i agent
Agent prodavca
Info
rmac
ije o
po
nud
i p
rod
avca
(X
ML)
Info
rmac
ije o
po
nud
i p
rod
avca
Kupac Transakcioni agent
Agent kupca
Info
rmac
ije
pro
dav
ca
Pril
agod
jen
a
po
ruka
is
poru
cio
ca
Prodavac Transakcion
i agent
Agent prodavca
Pril
agod
jen
a p
oru
ka
kup
ca (
XM
L)
Info
rmac
ija
kup
ca
Kupac Transakcioni agent
Agent kupca
Po
vrat
na
info
rmac
ija
kup
ca is
poru
cio
cu
Po
vrat
na
info
rmac
ija
kup
ca (
XM
L)
Prodavac Transakcion
i agent
Agent prodavca
Po
vrat
na
info
rmac
ija
ispo
ruci
oca
(X
ML)
Po
vrat
na
info
rmac
ija
ispo
ruci
oca
kup
cu
Kombinovani (logički) nosilac znanja
Modul znanja
Modul znanja
Modul znanja
261
njihovih poslovnih i trgovinskih pravila. Agenti imaju mogućnost da se "kreću" na
elektronskom tržištu preko Interneta, a mogu da se pokrenu sa različitih računarskih platformi
i mobilnih ureñaja, kao što su mobilni telefoni i PDA. Agenti mogu da trguju direktno sa
nekoliko drugih učesnika na elektronskom tržištu, uključivanjem osoba i drugih softverskih
agenata.
Da bi se upotpunili poslovni zadaci agenti mogu da se prenose izmeñu nekoliko
elektronskih tržišta. Poslije uspostavljanja poslovnih aranžmana agenti „se vraćaju“ na
lokaciju korisnika sa informacijama o budućem poslovanju.
6.5.2 Globalna integracija inteligentnih sistema podrške odlučivanju
Godine 2002. projektovan je globalni sistem integrisan od modela znanja i modela
sistema za podršku odlučivanju (slika 6.9).453
Slika 6.9 Globalna integracija inteligentnih sistema
Izvor: Forgionne et al. 2002 (July). I-DMSS: A Conceptual Architecture for the Next Generation of Decision Making Support Systems in the Internet Age. Cork: Proceedings of DSIage, p. 161.
453 Forgionne et al. 2002 (July). I-DMSS: A Conceptual Architecture for the Next Generation of Decision
Making Support Systems in the Internet Age. Cork: Proceedings of DSIage, pp. 161-162.
Baza podataka Podaci za odlučivanje
Usklañivanje parametara problema
Izvještaji o stanju
Baza znanja Problemsko znanje
Strukturiranje problema odlučivanja
Parametar i rezultat
Baza modela Model odlučivanja Metoda rješavanja
Simuliranje politika i dogañaja
Odreñivanje najboljeg rješenja problema
Preporučene akcije
Objašnjavanje i saopštavanje rješenja
Računarska tehnologija
Donosilac odluke
Ulazna povratna sprega
Izlazna povratna sprega
INPUTI INPUTI INPUTI
262
Globalni sistem sastavljen je od ulaznih komponenti koje obuhvataju podatke za
sistem podrške odlučivanju, znanja potrebnog za inteligentnu komponentu sistema i
donosioca odluke i baze modela koja omogućava funkcionisanje sistema. Procesom obrade
organizuje se i strukturira problem, a zatim generiše rješenje u skladu sa donosiocem odluke.
Predloženo rješenje vraća se sistemom povratne sprege na ulaz sistema. Poslije nekoliko
iteracija postiže se stabilnost sistema, pa se mogu generisati izvještaji, predložene akcije,
objašnjenja i savjeti. Izlazni rezultati vraćaju se donosiocu odluke koji može da promijeni
neke od parametara problema i da ponovi iteraciju sve dok se ne postigne stabilnost sistema,
odnosno odabere najpovoljnija solucija.
S obzirom na to da postoji uska veza izmeñu znanja i upravljanja znanjem, s jedne
strane, i metoda i softvera inteligentnih sistema podrške odlučivanju, s druge strane, veoma je
važno da se integrišu sistemi upravljanja znanjem i inteligentni sistemi kako bi se unaprijedila
podrška odlučivanju. Znanje u ekspertnom sistemu može da bude predstavljeno u vidu pravila
tako da se ekspertni sistem može integrisati u sistem upravljanja znanjem kao njegov sastavni
dio. Ekspertni sistem pomaže korisniku objašnjavanjem načina korišćenja pojedinim
elementima znanja iz baze znanja.
Na slici 6.10 prikazan je okvir za integraciju procesa podrške odlučivanju i procesa
upravljanja znanjem koji se koriste tehnikama otkrivanja znanja.
Slika 6.10 Integracija sistema za podršku odlučivanju i sistema upravljanja znanjem
Izvor: Bolloju, N. et al. 2002 (June). "Integrating Knowledge Manmgement into Enterprise Environments for the
Next Generation of Decision Support". Decision Support Systems. Vol. 33 #2, p. 171.
Implicitni modeli
Centri podataka
Skladišta podataka
Baze podataka
Interni i eksterni izvori podataka
Baza funkcionalnog znanja
Centri modela
Baza organizacionog znanja
Skladište modela
Baza problemskog znanja Baze
modela
Eksplicitni modeli
Interni i eksterni izvori znanja
Eksternalizacija
Internizacija
So
cija
lizac
ija K
om
binacija
263
Okvir, prikazan na slici 6.10, predložen 2002. godine, zasniva se na vezama izmeñu
donosioca odluke i različitih aplikacija kojima se koristi i koje se "napajaju" podacima iz
skladišta i centara podataka, kao i različitim izvorima znanja. Informacije sistema za podršku
odlučivanju i znanje integrisani su u sistem podrške odlučivanju u kome znanje može da se
memoriše u bazi modela.454
Zahvaljujući Internetu i drugim eksternim izvorima informacija i znanja moguće je,
korišćenjem modelima podrške odlučivanju koji se zasnivaju na Web-u, unaprijediti strateške
performanse preduzeća, obezbijediti kvalitetnije donošenje poslovnih odluka i unaprijediti
cjelokupni poslovni proces.
6.6 Budući razvoj i primjena inteligentnih sistema podrške poslovnom odlučivanju
Meñusobno povezivanje inteligentnih sistema za podršku odlučivanju i njihova
integracija s drugim sistemima ima za cilj da poveća inteligenciju cjelokupnog poslovnog
sistema i njegovog okruženja, ne samo na lokalnom, već i na globalnom nivou. Trendovi
povećanja inteligencije sistema se nastavljaju. Zaključuje se da su glavne tehnologije koje su
omogućile ta zbivanja inteligentni agenti, ekspertni sistemi, rezonovanje koje se zasniva na
slučajevima, neuronske mreže, genetski algoritmi i fuzzy logika. U budućnosti ovi sistemi sve
će se više razvijati i povezivati zahvaljujući i napretku telekomunikacione tehnologije.
Inteligentni sistemi podrške poslovnom odlučivanju, zahvaljujući Internetu i
elektronskoj razmjeni podataka, sve više postaju tehnologija koja se zasniva na Web-u i koja
ne služi samo za distribuiranje informacija i znanja, već za povećanje upotrebe Interneta i
elektronske razmjene podataka prilikom projektovanja i implementacije inteligentnih sistema
podrške poslovnom odlučivanju. Na taj način nastaju hibridni inteligentni sistemi koji
objedinjuju karakteristike sistema upravljanja bazama podatka, modela vještačkih neuronskih
mreža, komponenti fuzzy logike i fuzzy ekspertnih sistema.455 U budućnosti ovakvi sistemi
prevazilaziće okvire marketinga, za koji su prvenstveno projektovani, i koristiće se i u drugim
oblastima.
U pogledu izgradnje ekspertnih sistema zasnovanih na ekspertizi, znanju koje je
rijetko dostupno širokom auditorijumu, zahvaljujući Internetu mnogi eksperti nudiće svoje
454 Bolloju, N. et al. 2002 (June). "Integrating Knowledge Manmgement into Enterprise Environments for the
Next Generation of Decision Support". Decision Support Systems. Vol. 33 #2, p. 163-176. 455 Li, S. 2000 (January). "The Development of Hybrid Intelligent Systems for Developing Marketing Strategy".
Decision Support Systems. Vol. 27. No. 4.
264
ekspertize na Web-u i na taj način učiniti Web stranice značajnim dijelom distribucije znanja.
Neke Web stranice omogućavaju ekspertima da postave ponude ekspertiza i omogućavaju da
se ekspertize mogu kupiti na Web-u.456 Na taj način ekspertiza će postati dostupna
zainteresovanim za izgradnju ekspertnih sistema, a neke kompanije izgradiće sistem
upravljanja znanjem i prodavaće znanje akumulirano u njihovim bazama znanja.
Povećanim korišćenjem bežičnim tehnologijama i mogućnosti pristupa Web-u
pomoću bežičnih ureñaja, korisnici će moći da pristupe inteligentnim sistemima podrške
poslovnom odlučivanju i odgovarajućim bazama znanja u bilo koje vrijeme i sa bilo kojeg
mjesta.
Inteligentni agenti kretaće se Internetom i intranetima i na taj način podržavati
donošenje odluka upravljanjem i interpretacijom odgovarajućih informacija i znanja. Znanje,
posebno ono sadržano u ekspertizama, i dalje će imati ključnu ulogu u donošenju poslovnih
odluka, jer će se uz pomoć inteligentnih agenata, upozoravati donosioci odluka i predlagati
alternativne akcije.
Tehnologije podrške rada u grupi i grupnog odlučivanja za komunikaciju i saradnju
biće jednostavnije za korišćenje, snažnije i jeftinije. Sistemi podrške grupnom odlučivanju
podržani odgovarajućim Web tehnologijama sve više će unapreñivati meñusobnu saradnju i
komuniciranje svih članova tima za grupno odlučivanje i savladavati prostornu i vremensku
dislociranost i obezbjeñivati kvalitetnije informacije i znanje potrebno za donošenje poslovnih
odluka.
456 www. expertcentral.com; allexperts.com
265
7 PRIMJENA INT ЕLIG ЕNTNIH SISTЕMA PODRŠKE POSLOVNOM ODLUČIVANJU
Ovo poglavlje obuhvata istraživanja vezana za primјenu inteligentnih sistema u
elektronskoj trgovini, finansijskom poslovanju i marketingu. Ovdje se sumiraju teorijska
saznanja istražena u prethodnim poglavljima i daje doprinos njihovoj primјeni na konkretnim
područjima.
Inteligentni sistemi podrške elektronskoj trgovini obuhvataju kreiranje sistema
neuronskih mreža kojim se prate podaci o finansijskom stanju poslovnih subjekata čijim
akcijama se trguje na Banjalučkoj berzi. Na osnovu ocjene finansijskog stanja i pomoću
odgovarajućeg upita učesnici trgovanja na berzi mogu da se opredijele za kupovinu ili prodaju
hartija od vrijednosti odreñenih subjekata. Ovaj model vezan je i za primjenu inteligentnih
sistema, zasnovanih na neuronskim mrežama, u finansijskom poslovanju s obzirom da su
finansijski pokazatelji ključni faktori za analizu.
Modelom date warehouse-a, koji je kreiran da bi se pokazala primjena sistema
poslovne inteligencije, moguća su različita, unaprijed pripremljena izvještavanja i analize, kao
i ad hoc analize i izvještaji prema zahtjevu korisnika, donosioca poslovne odluke.
Primijenjeni model ima i merketinški aspekt s obzirom na to da pruža mogućnost
analiziranja kupaca na četiri područja (Brčko distrikt BIH, Federacija BiH, Republika Srpska i
inostranstvo) i za period od 2006 do 2008. godine.
7.1 Ocjena finansijskog rejtinga preduzeća pomoću sistema neuronske mreže
7.1.1 Prikupljanje podataka, informacija i znanja
Primjena inteligentnih sistema podrške poslovnom odlučivanju, posebno onih koji se
zasnivaju na neuronskim mrežama, zahtijeva veću količinu podataka, informacija i znanja.
Veći skup podataka, prilikom primjene vještačkih neuronskih mreža, povećava vrijeme
obrade u toku obuke, ali poboljšava tačnost obuke i često vodi bržoj konvergenciji dobrom
skupu težinskih faktora. Veći skup podataka, prema tome, doprinosi boljem funkcionisanju
neuronske mreže.
266
Tabela 7.1 Izvod iz skraćenog finansijskog izvještaja, bilansa stanja i bilansa uspjeha
Red. br.
Preduzeće457 Tekuća imovina
Kratkoro čne obaveze
Gotovina Kratkoro čna potraživanja
Stalna sredstva
Kapital
1. INTL 2.269.744 2.421.793 280.532 1.250.686 5.280.152 3.042.271
2. JFMG 710.655 1.427.141 59.918 162.763 3.458.175 2.005.916
3. TRST 1.949.506 911.195 4.302 925.765 11.732.021 9.670.780
4. DRNA 286.787 471.755 104.419 167.536 3.494.096 2.732.878
5. CIST 3.416.937 439.438 1.162.026 2.986.905 9.841.993 14.756.101
6. PRVZ 64.431 729.812 5.513 58.665 976.473 345.739
7. VDTR 2.838.248 334.792 270.013 2.652.925 9.273.757 8.969.767
8. BTPR 899.281 1.325.985 46.383 558.154 2.832.602 1.032.205
9. VTNK 6.546.124 4.769.493 161.149 5.341.411 11.223.047 9.467.534
10. INCH 2.534.532 1.733.769 1.841 947.516 210.133.283 209.953.308
11. FOPL 802.680 137.343 25.513 140.524 7.005.535 7.611.202
12. GOVF 4.912.097 4.819.803 82.397 696.238 23.564.739 9.883.917
13. BIRA 17.660.571 96.308.151 24.934 38.293.918 342.180.913 234.367.453
14. AUTK 3.956.027 3.281.802 14.121 1.454.074 2.814.180 3.008.938
15. BMNT 376.274 1.148.966 17.436 273.335 3.760.870 2.852.301
16. DIKL 467.288 325.418 4.258 468.698 2.288.517 1.316.629
17. EDPL 19.146.184 4.116.482 3.356.866 35.542.336 53.267.630 50.494.676
18. ATMK 580.467 356.056 35.180 757.008 582.625 807.036
19. FPSR 1.313.784 943.388 224.183 1.001.895 921.308 1.198.071
20. GLSS 952.652 795.898 44.402 819.725 4.773.832 3.929.767
21. DEST 5.730.060 877.915 48.761 1.769.286 19.362.159 23.243.440
22. HDRT 1.285.448 2.317.744 7.186 269.487 3.471.138 1.657.728
23. BNPT 4.825.958 3.786.498 77.362 4.910.336 7.795.431 7.344.181
24. JDNS 3.273.215 1.811.780 322.485 2.918.052 2.355.723 2.948.085
25. KRJL 15.821.177 16.031.281 149.259 7.822.209 7.221.715 4.958.180
26. LIVN 239.234 65.104 21.013 149.955 1.448.572 1.610.306
27. PTKZ 1.530.691 1.817.874 11.697 461.979 13.561.052 9.403.870
28. PDNK 5.848.627 3.601.949 16.861 1.565.426 18.148.469 11.202.955
29. RITE 43.504.542 16.132.868 212.883 27.240.521 377.801.677 368.592.135
30. VIDU 457.132 251.390 5.926 440.928 562.001 716.022
31. LAST 1.634.390 1.772.078 15.353 824.409 1.171.565 1.032.649
32. TOPA 2.095.653 2.361.150 109.507 810.377 8.634.036 7.878.622
457 Četveroslovna oznaka preduzeća preuzeta je od naziva hartije od vrijednosti pod kojim se trguje na Berzi.
267
Tabela 7.1 (nastavak)
Red. br.
Dugoročne obaveze
Dugoročna rezervisanja
Ukupan prihod
Aktiva na početku
Aktiva na kraju
Ukupne obaveze Kamate Dobit
1 282.111 0 5.024.841 5.746.175 6.730.312 2.703.904 124.364 19.784
2 183.873 551.900 501.624 4.332.790 4.168.830 2.162.914 8.966 0
3 3.057.002 0 690.649 14.811.123 13.931.794 3.968.197 343.264 0
4 576.250 0 1.014.163 3.502.296 3.780.883 1.048.005 52.111 19.727
5 0 0 8.697.324 14.673.121 15.195.539 439.438 11.778 479.672
6 703.287 0 327.482 1.321.718 1.433.700 1.433.099 1.337 0
7 0 2.797.773 2.546.685 12.259.942 12.136.845 3.132.565 172 9.331
8 1.375.737 0 2.578.689 3.305.842 3.739.639 2.701.722 129.124 0
9 3.541.586 0 17.808.693 11.852.660 17.778.613 8.311.079 92.609 125.822
10 980.738 0 808.788 213.188.901 212.667.815 2.714.507 19.667 0
11 41.252 0 2.795.624 9.199.722 7.836.309 178.595 7.180 0
12 13.784.825 0 7.170.066 20.914.001 28.488.545 18.604.628 477.582 63.132
13 24.447.038 1.282.373 131.104.985 386.430.959 360.206.356 122.037.562 4.012.817 325.622
14 634.280 0 4.230.351 5.246.857 7.734.464 3.916.082 66.356 124.205
15 158.183 0 1.691.678 4.389.486 4.159.450 1.307.149 14.983 0
16 778.357 0 1.173.689 2.869.827 2.786.744 1.103.775 71.666 0
17 4.116.482 9.170.703 31.953.670 78.055.723 73.047.516 17.403.667 350.270 14.562
18 0 0 245.486 1.214.718 1.163.092 356.056 14.325 6.600
19 121.983 0 3.946.799 2.006.829 2.263.442 1.065.371 11.792 391.554
20 1.011.260 0 5.224.569 5.395.030 5.748.251 1.807.158 61.911 109.050
21 974.086 0 8.147.810 25.472.289 25.095.441 1.852.001 11.962 250.270
22 782.721 0 4.148.714 5.143.345 4.767.648 3.100.465 38.035 537
23 1.486.408 0 14.389.457 11.363.524 12.621.389 5.272.906 116.697 6.210
24 681.357 0 5.882.794 6.167.002 5.713.483 2.493.137 93.742 163.629
25 2.088.583 0 27.096.590 16.704.755 23.078.044 18.119.864 388.350 50.252
26 12.396 0 595.712 1.713.913 1.687.806 77.500 4.127 73.042
27 3.821.061 0 4.762.943 15.317.037 15.276.805 5.638.935 268.004 2.170
28 9.615.789 0 6.246.721 18.043.431 24.420.693 13.217.738 220.589 77.099
29 24.574.730 11.874.333 98.176.928 419.965.137 421.306.219 52.581.931 4.798.384 6.016.126
30 53.739 0 913.581 1.189.066 1.021.153 305.129 22.827 52.306
31 0 0 534.388 2.835.825 2.806.163 1.772.078 1.358 4.050
32 586.749 0 5.607.902 9.842.315 10.860.422 2.947.899 77.069 21.641
Sekundarni podaci za izgradnju sistema neuronske mreže prikupljani su sa
Banjalučke berze hartija od vrijednosti458 iz bilansa stanja, bilansa uspjeha i skraćenih
nerevidiranih finansijskih izvještaja.459 Iz skupa preduzeća koja trguju hartijama od
458 www.blberza.com 459 Nekoliko dokumenata sa Web stranice Banjalučke berze hartija od vrijednosti daju se u prilogu rada.
268
vrijednosti na Banjalučkoj berzi odabrana su 32 preduzeća, preuzeti odgovarajući podaci i
sastavljen pregled neophodnih finansijskih podataka iz skraćenih finansijskih izvještaja,
bilansa stanja i bilansa uspjeha, objavljenih na Web stranici Berze (tabela 7.1), na osnovu
kojih su izračunavani odabrani pokazatelji iz tabele 7.2. Pregled odabranih pokazatelja
prikazan je u tabeli 7.3.
7.1.2 Priprema podataka
Priprema podataka za neuronsku mrežu obuhvata niz postupaka pomoću kojih se
izvorni podaci prilagoñavaju ulaznim i izlaznim kolonama (neuronima) mreže radi selekcije
relevantnih istorijskih podataka na osnovu kojih se omogućava postupak učenja i verifikacije
mreže, da bi se, na osnovu upita mogle donositi odgovarajuće odluke. Postavljen je cilj da se
analizira finansijsko stanje preduzeća čijim se hartijama od vrijednosti trguje na Berzi, pa se,
u tom smislu, krenulo od potrebnih pokazatelja za analizu (tabela 7.2).
Tabela 7.2 Pregled finansijskih pokazatelja
Racio Način izračunavanja Primjer rezultata
Značenje Prihvat-ljivost
Obrtna imovina + Aktivna vremenska razgraničenja (AVR) Omjer 2:1, može biti i veći Racio tekuće
likvidnosti Kratkoročne obaveze + Pasivna vremenska razgraničenja (PVR)
1,50
Na raspolaganju je 1,50KM za plaćanje 1KM kratkoročnih obaveza
Prihvatljiv nivo 1,10
Gotovina + Kratkoročna potraživanja Omjer 1:1 Racio (redukovane) ubrzane likvidnosti Kratkoročne obaveze
0,85
Na raspolaganju je 0,85KM u likvidnim sredstvima za plaćanje 1KM kratkoročnih obaveza
Prihvatljiv nivo iznad 0,70
Neto radni kapital
(Obrtna imovina + AVR) - (Kratkoročne obaveze + PVR) u KM što veći
Stalna sredstva Racio finansijske stabilnosti Kapital + Dugoročne obaveze + Dugoročne rezerve
0,90
Da 90% dugoročnih izvora pokriva sva stalna sredstva
manje od 1
Ukupan prihod Racio obrta imovine (Aktiva na početku + Aktiva na kraju)/2
2,60
Na svaku angažovanu KM preduzeće ostvaruje 2,60KM prihoda
veći od 1, zavisi od vrsbte djelatnosti
(Potraživanja od kupaca na početku. + Potraživanja od kupaca na kraju)/2x365 Prosječno
vrijeme naplate potraživanja Poslovni prihodi (prihodi od prodaje + aktivni učinci ±
promjena zaliha)
40 dana
U prosjeku preduzeće naplati svoja dospjela potraživanja svakih 40 dana
što manji
(Zalihe na početku + zalihe na kraju)/2x365 Prosječno vrijeme obrta zaliha Troškovi prodate robe
60 dana U prosjeku zalihe se obrnu svakih 60 dana
što manji
(Dobavljači na početku + dobavljači na kraju) /2 x 365
Prosječno vrijeme regulisanja obaveza prema dobavljačima
Troškovi prodate robe
50 dana
U prosjeku preduzeće plaća svoje obaveze svakih 50 dana
u danima
269
Dugoročne obaveze + dugoročna rezervisanja + kratkoročne
obaveze + PVR Racio zaduženosti
Ukupna aktiva
40%
40% sredstava je finansirano od strane kreditora – povjerilaca
manje od 0,50
Dugoročne obaveze + dugoročna rezervisanja + kratkoročne obaveze + PVR
Racio finansiranja ili racio ukupne zaduženosti Kapital
0,60
Na svaku KM koju su uložili vlasnici povjerioci ulože 60 pfeninga
manje od 0,75
Ukupne obaveze (uključujući i rezervisanja + PVR) Faktor zaduženosti
Neto dobit + amortizacija
5
Preduzeće treba 5 godina da uz iste uslove poslovanja izmiri postojeće obaveze
5 godina
Dobit prije poreza + kamate Racio pokrića kamata zaradom preduzeća Kamate
4
Koliko puta dobit pokriva obavezu za kamate (Ako je 1 firma radi samo da pokrije kamate)
što veći
Neto dobit prije poreza
Povrat na uloženi Kapital (ROE)
(Kapital na poč. + kapital na kraju)/ 2
x 100 22%
Na svaku KM koju vlasnici ulože, preduzeće ostvari 22% prinosa, odnosno 22 pfeninga dobiti prije plaćanja poreza na dobit
što veći
Neto dobit prije poreza + trošak.kamata
Povrat na investicije (ROI) (Aktiva na početku + aktiva na kraju)/2
x 100 2%
Stopa zarade na svim izvorima - vrednuje zarade na svim ulaganjima ( i vlasnika i kreditora)
što veći
Neto dobit prije poreza + rashodovna kamata
Marža profita Prihodi od prodaje + aktiva sopstvenih učinaka i robe ±
promjena zaliha
x 100 4%
Na svaku KM realizovane operativne prodaje preduzeće ostvari 0,04 KM dobitka prije plaćanja poreza
što veći
Neto dobit prije poreza
Neto marža profita
Prihod od prodaje + aktiv.sopstv. učinci±promjena zaliha
x 100 3%
Na svaku KM realizovane prodaje preduzeće ostvari 0,03 KM dobitka prije plaćanja poreza
što veći
Izvor: Interni podaci Hypo Alpe-Adria banke
Analiziranjem relativne važnosti pojedinih pokazatelja i načina njihovog
izračunavanja odabrani su ključni pokazatelji na osnovu kojih se formiraju ulazne kolone
(neuroni) mreže (tabela 7.3)
270
Tabela 7.3 Odabrani pokazatelji za formiranje ulaznih neurona mreže
PRIHVATLJIVOST RB RACIO OZNAKA
OMJER RACIO PRIMJER
REZULTATA 1. Racio tekuće likvidnosti R1 2:1 >1,10>2,00 1,50 2. Racio brze likvidnosti R2 1:1 > 0,70 0,85 3. Racio finansijske stabilnosti R3 < 1,00 0,90 4. Racio obrta imovine R4 što viši > 1,00 2,60 5. Racio zaduženosti R5 < 0,50 0,40 6. Racio finansiranja R6 <0,75 0,60 7. Racio pokrića kamata zaradom preduzeća R7 4 i više >1 4,00
Saznanja o prihvatljivosti pojedinih racija služila su za izradu dijagrama na osnovu
kojih se mogu formirati pravila za bazu znanja.
PRAVILO 1: RACIO TEKUĆE LIKVIDNOSTI (R1)
PRAVILO 2: RACIO UBRZANE LIKVIDNOSTI (R2)
PRAVILO 3: RACIO FINANSIJSKE STABILNOSTI (R3)
PRAVILO 4: RACIO OBRTA UKUPNE IMOVINE (R4)
RACIO FINANSIJSKE
STABILNOSTI < 1
DA Prihvatljiv: povećanje neto radnog kapitala
NE Neprihvatljiv: stalna imovina se finansira iz kratkoročnih izvora
RACIO TEKUĆE
LIKVIDNOSTI > 1,10 RACIO TEKUĆE
LIKVIDNOSTI > 2
DA DA Neprihvatljiv: visok nivo zaliha
Prihvatljiv: likvidnost NE
NE
Neprihvatljiv: previsoke kratkoročne obaveze
RACIO OBRTA UKUPNE
IMOVINE > 1
DA Prihvatljiv
NE Neprihvatljiv: prihodi manji u odnosu na uložena sredstva
RACIO UBRZANE
LIKVIDNOSTI > 0,70
DA Prihvatljiv: likvidnost
NE Neprihvatljiv: kratkoročne obaveze veće od gotovine i potraživanja
271
PRAVILO 5: RACIO ZADUŽENOSTI (R5)
PRAVILO 6: RACIO FINANSIRANJA (R6)
PRAVILO 7: RACIO POKRIĆA KAMATA (R7)
Budući da je postavljeni cilj da se pokaže funkcionisanje sistema koji se zasniva na
neuronskoj mreži, za koju su prihvatljivije numeričke od lingvističkih varijabli, preferirani su
koeficijenti (raciji) iz tabele 7.4 koji mogu da se izračunaju na osnovu podataka prikupljenih
iz izvještaja objavljenih na Internet lokaciji Banjalučke berze hartija od vrijednosti.
Tabela 7.4 Ključni koeficijenti (neuroni) za neuronsku mrežu
RB KOEFICIJENTI NEURON
1. Racio tekuće likvidnosti N1
2. Racio ubrzane likvidnosti N2
3. Racio finansijske stabilnosti N3
4. Racio obrta imovine N4
5. Racio zaduženosti N5
6. Racio finansiranja ili racio ukupne zaduženosti N6
7. Racio pokrića kamata zaradom preduzeća N7
RACIO ZADUŽENOSTI < 0,50 DA
Prihvatljiv: ukupne obaveze manje od vrijednosti ukupne aktive
NE Neprihvatljiv: visok rizik poslovanja
RACIO FINANSIRANJA < 0,75 DA
Prihvatljiv: nizak rizik ulaganja
NE Neprihvatljiv: visok rizik ulaganja
RACIO POKRIĆA KAMATA > 1 DA
Prihvatljiv: troškovi kamata pokriveni dobitkom
NE Neprihvatljiv: iz poslovanja se pokrivaju samo kamate
272
Na osnovu navedenih pravila mogla bi se formirati konkretna baza znanja i
projektovati ekspertni sistem koji se zasniva na bazi znanja. Meñutim, ovdje ova pravila
predstavljaju samo pripremne aktivnosti za definisanje ulaznih neurona za neuronsku mrežu
sistema koji se zasniva na neuronskoj mreži. Za ostale koeficijente iz tabele 7.2 nisu
definisana pravila jer nemaju bitan uticaj na funkcionisanje mreže.
S obzirom na činjenicu da se radi o velikom skupu podataka (skup preduzeća koja
trguju hartijama od vrijednosti na Banjalučkoj berzi hartija od vrijednosti) za treniranje i
testiranje formiran je uzorak od 32 preduzeća za koje su izračunati navedeni koeficijenti.
Zatim je odabrano 25 (78,13%) preduzeća čiji su izračunati koeficijenti korišćeni za učenje
mreže, a preostalih 7 (21,87%) preduzeća služilo je za testiranje (verifikaciju) mreže.
7.1.3 Formiranje ulaznih i izlazne kolone (neurona) mreže
Na osnovu finansijskih pokazatelja Banjalučke berze hartija od vrijednosti
objavljenih na Web stranici Berze460 (skraćenih finansijskih izvještaja, bilansa stanja i bilansa
uspjeha) izračunati su odabrani koeficijenti (raciji) na osnovu načina izračunavanja navedenih
u tabeli 7.2. Izračunati raciji prikazani su u tabeli 7.5.
Tabela 7.5 Pregled izračunatih koeficijenata (racija)
RB PREDUZEĆE R1 R2 R3 R4 R5 R6 R7
1. INTL 0,94 0,63 1,59 0,81 0,40 0,89 1,16
2. JFMG 0,50 0,16 1,26 0,12 0,52 1,08 1,00
3. TRST 2,14 1,02 0,92 0,05 0,28 0,41 1,00
4. DRNA 0,61 0,58 1,06 0,28 0,28 0,38 1,38
5. CIST 7,78 9,44 0,67 0,58 0,03 0,03 41,73
6. PRVZ 0,09 0,09 0,93 0,24 1,00 4,15 1,00
7. VDTR 8,48 8,73 0,79 0,21 0,26 0,35 55,25
8. BTPR 0,68 0,46 1,18 0,73 0,72 2,62 1,00
9. VTNK 1,37 1,15 0,86 1,20 0,47 0,88 2,36
10. INCH 1,46 0,55 1,00 0,00 0,01 0,01 1,00
11. FOPL 5,84 1,21 0,92 0,33 0,02 0,02 1,00
12. GOVF 1,02 0,16 1,00 0,29 0,65 1,88 1,13
13. BIRA 0,18 0,40 1,32 0,35 0,34 0,52 1,08
14. AUTK 1,21 0,45 0,77 0,65 0,51 1,30 2,87
15. BMNT 0,33 0,25 1,25 0,40 0,31 0,46 1,00
16. DIKL 1,44 1,45 1,09 0,41 0,40 0,84 1,00
460 www.blberza.com
273
17. EDPL 4,65 9,45 0,84 0,42 0,24 0,34 1,04
18. ATMK 1,63 2,22 0,72 0,21 0,31 0,44 1,46
19. FPSR 1,39 1,30 0,70 1,85 0,47 0,89 34,21
20. GLSS 1,20 1,09 0,97 0,94 0,31 0,46 2,76
21. DEST 6,53 2,07 0,80 0,32 0,07 0,08 21,92
22. HDRT 0,55 0,12 1,42 0,84 0,65 1,87 1,01
23. BNPT 1,27 1,32 0,88 1,20 0,42 0,72 1,05
24. JDNS 1,81 1,79 0,65 0,99 0,44 0,85 2,75
25. KRJL 0,99 0,50 1,02 1,36 0,79 3,65 1,13
26. LIVN 3,67 2,63 0,89 0,35 0,05 0,05 18,70
27. PTKZ 0,84 0,26 1,03 0,31 0,37 0,60 1,01
28. PDNK 1,62 0,44 0,87 0,29 0,54 1,18 1,35
29. RITE 2,70 1,70 0,93 0,23 0,12 0,14 2,25
30. VIDU 1,82 1,78 0,73 0,83 0,30 0,43 3,29
31. LAST 0,92 0,47 1,13 0,19 0,63 1,72 3,98
32. TOPA 0,89 0,39 1,02 0,54 0,27 0,37 1,28
7.1.4 Funkcionisanje mreže
Izračunati raciji za navedena preduzeća predstavljaju ulazne neurone za neuronsku
mrežu koja se formira u programu EasyNN-plus. Izlazni neuron predstavlja logičku varijablu
(1 – da, 0 – ne), odnosno odluku o eventualnom odobravanju ili neodobravanju kredita
preduzeću ili o odluci da se kupuju ili ne kupuju akcije preduzeća. Izlazni neuroni za redove
testiranja odabrani su na osnovu iskustva članova kreditnih odbora, kreditnih komisija (ili
kreditnih referenata koji pripremaju kreditni prijedlog) nekoliko banaka o odobravanju kredita
na osnovu finansijskih racija. Nakon unosa 32 reda tabele, 25 redova tabele (označenih sa ti)
služe za treniranje, odnosno učenje mreže, a 7 redova (označenih sa vi) za verifikaciju,
formirana je mreža i odabrana opcija učenja koje se odvijalo po postavljenim parametrima
programa, uz toleranciju verifikacije od 5%. Nakon učenja dodavani su redovi koji su služili
za upit i koji su davali odovarajuće rezultate, pa se, prema tome, ovim modelom, može vrlo
pouzdano, koristiti za nove podatke koji se unose u vidu upita u nove redove označene sa ui
(tabela 7.6).
274
Tabela 7.6 Pregled ulaznih i izlaznih kolona (neurona) za mrežu
Ulazni neuroni Izlazni neuron
Vrsta reda t – trening v – verifikacija u – upit N1 N2 N3 N4 N5 N6 N7 Odluka
t1 0,94 0,63 1,59 0,81 0,40 0,89 1,16 1
t2 0,50 0,16 1,26 0,12 0,52 1,08 1,00 0
t3 2,14 1,02 0,92 0,05 0,28 0,41 1,00 1
t4 0,61 0,58 1,06 0,28 0,28 0,38 1,38 1
t5 7,78 9,44 0,67 0,58 0,03 0,03 41,73 1
t6 0,09 0,09 0,93 0,24 1,00 4,15 1,00 0
t7 8,48 8,73 0,79 0,21 0,26 0,35 55,25 1
t8 0,68 0,46 1,18 0,73 0,72 2,62 1,00 0
t9 1,37 1,15 0,86 1,20 0,47 0,88 2,36 1
t10 1,46 0,55 1,00 0,00 0,01 0,01 1,00 1
t11 5,84 1,21 0,92 0,33 0,02 0,02 1,00 1
t12 1,02 0,16 1,00 0,29 0,65 1,88 1,13 0
t13 0,18 0,40 1,32 0,35 0,34 0,52 1,08 1
t14 1,21 0,45 0,77 0,65 0,51 1,30 2,87 1
t15 0,33 0,25 1,25 0,40 0,31 0,46 1,00 1
t16 1,44 1,45 1,09 0,41 0,40 0,84 1,00 1
t17 4,65 9,45 0,84 0,42 0,24 0,34 1,04 1
t18 1,63 2,22 0,72 0,21 0,31 0,44 1,46 1
t19 1,39 1,30 0,70 1,85 0,47 0,89 34,21 1
t20 1,20 1,09 0,97 0,94 0,31 0,46 2,76 1
t21 6,53 2,07 0,80 0,32 0,07 0,08 21,92 1
t22 0,55 0,12 1,42 0,84 0,65 1,87 1,01 0
t23 1,27 1,32 0,88 1,20 0,42 0,72 1,05 1
t24 1,81 1,79 0,65 0,99 0,44 0,85 2,75 1
t25 0,99 0,50 1,02 1,36 0,79 3,65 1,13 0
v1 3,67 2,63 0,89 0,35 0,05 0,05 18,70 0
v2 0,84 0,26 1,03 0,31 0,37 0,60 1,01 1
v3 1,62 0,44 0,87 0,29 0,54 1,18 1,35 0
v4 2,70 1,70 0,93 0,23 0,12 0,14 2,25 1
v5 1,82 1,78 0,73 0,83 0,30 0,43 3,29 1
v6 0,92 0,47 1,13 0,19 0,63 1,72 3,98 0
v7 0,89 0,39 1,02 0,54 0,27 0,37 1,28 1
u1 1,25 1,30 0,85 1,15 0,34 0,75 1,05 1
u2 0,90 0,36 1,31 0,11 0,67 1,63 3,14 0
u3 1,70 1,23 0,93 0,28 0,22 0,64 4,25 1
275
Neuronska mreža, formirana programom EasyNN-plus, ima sljedeći izgled:
Slika 7.1 Dijagram neuronske mreže
Pored mogućnosti kreiranja upita za nove podatke, na osnovu rezultata učenja i
verifikacije, mreža omogućava rangiranje ulaznih kolona (neurona) prema njihovoj važnosti,
što je prikazano u tabeli 7.7.
Tabela 7.7 Važnost ulaznih neurona za ocjenu kreditne sposobnosti preduzeća
Kolona (neuron)
Naziv ulaznih (kolona) neurona Važnost Relativna važnost
N5 Racio zaduženosti 22,7692
N6 Racio finansiranja ili racio ukupne zaduženosti 22,3645
N2 Racio ubrzane likvidnosti 18,2726
N4 Racio obrta imovine 11,7925
N1 Racio tekuće likvidnosti 9,5051
N3 Racio finansijske stabilnosti 7,2200
N7 Racio pokrića kamata zaradom preduzeća 1,7081
Prema relativnoj važnosti ulaznih kolona (neurona) najveći značaj za ocjenu kreditne
sposobnosti preduzeća ima racio zaduženosti (N5), a najmanji racio pokrića kamata zaradom
preduzeća.
Ulazni sloj
Skriveni sloj
Izlazni neuron
N1
N2
N3
N4
N5
N6
N7
Odluka
N8
N9
N10
N11
N12
1 – da
0 – ne
276
Tabela 7.8 Pregled ulaznih i izlaznih neurona za ocjenu finansijskog rejtinga preduzeća
Ulazni neuroni Izlazni neuron
Vrsta reda t – trening v – verifikacija u – upit R1 R2 R3 R4 R5 R6 R7 Ocjena
t1 1 3 0 2 2 2 2 1
t2 0 0 0 0 1 1 1 0
t3 1 4 2 0 3 3 1 2
t4 1 2 1 1 3 3 2 2
t5 0 4 3 1 4 4 4 3
t6 0 0 2 0 0 0 1 0
t7 0 4 3 0 3 3 4 2
t8 1 2 1 1 1 0 1 1
t9 2 4 2 2 2 2 3 2
t10 3 2 2 0 4 4 1 2
t11 1 4 2 1 4 4 1 2
t12 1 0 2 1 1 0 2 1
t13 0 2 0 1 3 3 2 1
t14 2 2 3 2 1 0 3 2
t15 0 1 0 0 3 3 1 1
t16 3 4 1 0 2 2 1 2
t17 1 4 2 0 3 3 2 2
t18 3 4 3 0 3 3 2 2
t19 2 4 3 4 2 1 4 3
t20 2 4 2 2 3 3 3 3
t21 0 4 3 1 4 4 4 3
t22 0 0 0 2 1 0 1 0
t23 2 4 2 2 2 2 1 2
t24 4 4 3 2 2 2 3 3
t25 1 2 1 3 0 0 2 1
v1 1 4 2 2 4 4 4 3
v2 1 1 1 1 2 3 1 1
v3 3 3 2 1 1 0 2 1
v4 1 4 2 0 4 4 3 2
v5 4 4 3 2 4 3 4 4
v6 1 2 1 0 1 0 3 1
v7 1 1 1 1 3 3 2 1
u1 1 4 2 0 3 4 3 2
u2 2 2 3 1 1 0 3 1
u3 2 4 2 2 3 3 3 3
277
Na osnovu izračunatih racija moguće je utvrditi finansijski rejting preduzeća,
odnosno pripadnost preduzeća odreñenom (fuzzy) skupu: vrlo nizak, nizak, srednji, visok ili
vrlo visok. Na osnovu ovih pokazatelja kreirana je neuronska mreža u kojoj su za inicijalne
vrijednosti ulaznih neurona izabrane lingvističke varijable kojima se opisuje prihvatljivost
pojedinih racija i kojima je pridružena odgovarajuća cjelobrojna vrijednost (0 – vrlo
neprihvatljiv, 1 – neprihvatljiv, 2 – srednji, 3 – prihvatljiv, 4 – vrlo prihvatljiv), a za izlazni
neuron takoñe cjelobrojne vrijednosti koje predstavljaju ocjene finansijskog rejtinga
preduzeća (0 – vrlo nizak, 1 – nizak, 2 – srednji, 3 – visok i 4 – vrlo visok). Numeričke
vrijednosti neurona ubrzavaju konvergenciju težinskih faktora prilikom treniranja (učenja)
mreže. U programu EasyNN-plus ne preporučuju se lingvističke varijable, jer mogu dovesti
do loše konvergencije težinskih faktora i dugog procesa učenja mreže.
Tabela 7.8 prikazuje izgled neuronske mreže za utvrñivanje rejtinga preduzeća iz
tabele 7.5 nakon treniranja, verifikacije i unošenja upita.
Slika 7.2 Neuronska mreža za finansijski rejting
Rangirane ulazne kolone (neuroni) prema njihovoj važnosti prikazane su u sljedećoj
tabeli.
Ulazni sloj
Skriveni sloj
Izlazni neuron
N5
N8
N9
N10 4 – vrlo visok 3 – visok 2 – srednji 1 – vrlo nizak 0 - nizak
N7
N12
N1
N2
N3
N4 N11
N6 N13
Rejting
278
Tabela 7.9 Rang ulaznih neurona prema važnosti
Kolona (neuron)
Ulazni naziv Važnost Relativna važnost
N5 Racio zaduženosti 19,3722
N7 Racio pokrića kamata zaradom preduzeća 16,9234
N2 Racio ubrzane likvidnosti 16,8355
N3 Racio finansijske stabilnosti 12,0743
N6 Racio finansiranja ili racio ukupne zaduženosti 11,5336
N1 Racio tekuće likvidnosti 9,5021
N4 Racio obrta imovine 8,9858
Prema relativnoj važnosti ulaznih kolona (neurona) najveći značaj za ocjenu
finansijskog rejtinga preduzeća ima racio zaduženosti (N5), a najmanji racio obrta imovine
(N4). Racio pokrića kamata zaradom preduzeća (N7), prema relativnoj važnosti, nalazi se na
drugom mjestu. Prema tome, na osnovu ove analize može se zaključiti da od kvaliteta ulaznih
podataka zavisi i kvalitet funkcionisanja mreže. Bolja priprema podataka daće i bolje
rezultate. Na primjeru racija pokrića kamata zaradom preduzeća može se zaključiti da nije
dovoljno da ovaj racio bude ocijenjen kao povoljan ili nepovoljan (1 ili 0), već da se ocijeni
njegova prihvatljivost rangirana na skali od vrlo nepovoljan do vrlo povoljan (od 0 do 4).
7.1.5 Analiza rezultata funkcionisanja mreže
Već u procesu pripreme podataka moguće je, na osnovu izlaznih neurona, odrediti
pripadnost preduzeća odreñenom (fuzzy) skupu (tabela 7.10). Meñutim, dodatne analize
moguće su korišćenjem izlaznih rezultata mreže za nove podatke.
Tabela 7.10 Pripadnost preduzeća odreñenom skupu
finansijskog rejtinga
Preduzeća Kumulativno Finansijski
rejting Broj % Broj %
vrlo visok 1 3,13% 1 3,13%
visok 6 18,75% 7 21,88%
srednji 12 37,50% 19 59,38%
nizak 10 31,24% 29 90,63%
vrlo nizak 3 9,38% 32 100,00%
Ukupno 32 100,00% - -
279
Grafički prikaz u obliku sektora kruga prikazan je na slici 7.3.
Slika 7.3 Finansijski rejting preduzeća koja trguju hartijama od vrijednosti na Banjalučkoj berzi
Finansijski rejting
3%19%
38%
31%
9%
vrlo visok
visok
srednji
nizak
vrlo nizak
Dodatne analize moguće su na osnovu novih ulaznih podataka. U tom smislu,
formirane su pomoćne tabele, izračunati raciji, odreñeni ulazni neuroni (raciji) za 12 redova
upita (slučajno odabranih preduzeća), tabele 7.11 i 7.12. i analizirano funkcionisanje mreže.
Tabela 7.11 Pregled podataka za sastavljanje upita za testiranje mreže
Red. broj Preduzeće Tekuća
imovina Kratkoro čne
obaveze Gotovina Kratkoro čna potraživanja
Stalna sredstva Kapital
1. VIKM 377.920 131.073 100.061 1.078.853 1.338.965 931.179
2. ALUM 924.822 775.140 3.292 158.725 2.339.811 2.364.366
3. INTE 74.300 46.182 5.920 59.530 2.195.319 2.000.869
4. BMND 1.457.495 701.076 17.548 2.080.701 881.025 1.643.965
5. DIAL 18.301 341.598 165 17.301 798.027 474.730
6. BMNT 376.274 1.148.966 17.436 273.335 3.760.870 2.852.301
7. FRUK 3.149.302 7.522.020 5.381 7.112.019 19.836.405 3.174.276
8. POBJ 403.943 51.716 103.106 184.472 16.204.564 13.941.266
9. UNCF 36.449.546 29.833.766 91.992 7.271.627 41.366.197 31.437.098
10. POSA 37.081 19.839 21.539 15.542 697 18.003
11. TRAP 1.232.692 2.345.034 9.381 130.871 2.383.865 1.207.503
12. SRPU 2.652.866 118.466 433.926 1.531.419 1.652.446 3.707.692
280
(nastavak tabele 7.11)
Dugoročne obaveze
Dugoročna rezervisanja
Ukupan prihod
Aktiva na početku
Aktiva na kraju
Ukupne obaveze Kamate Dobit
262.609 0 915.340 1.596.545 1.717.329 393.682 35.412 58.284
144.959 0 316.395 3.314.251 3.284.465 920.099 1.754 4.065
222.568 0 275.953 2.160.236 2.269.619 268.750 11.261 7.959
0 0 1.808.754 2.207.073 2.383.414 701.076 13.785 17.678
0 0 70.175 827.990 816.328 341.598 5.161 532
158.183 0 1.691.678 4.389.486 4.159.450 1.307.149 14.983 0
5.968.175 0 5.621.539 22.733.866 23.160.013 13.490.195 577.362 18.621
2.615.602 0 1.897.068 16.826.168 16.608.584 2.667.318 211.315 393.743
12.504.941 4.039.938 60.552.292 64.665.600 77.815.743 46.378.645 1.745.103 75.058
0 0 94.648 68.866 37.842 19.839 0 2.455
110.154 0 1.174.267 3.915.283 3.930.160 2.455.188 300.065 9.527
479.154 0 3.912.786 4.707.035 4.305.312 597.620 1.428 389.024
Tabela 7.12 Formiranje ulaznih kolona za upite
Ulazne kolone (neuroni) Upiti
N1 N2 N3 N4 N5 N6 N7
Izlazna kolona
(neuron) u1 2,88 8,99 1,12 0,55 0,23 0,42 2,65
u2 1,19 0,21 0,93 0,10 0,28 0,39 3,32
u3 1,61 1,42 0,99 0,12 0,12 0,13 1,71
u4 2,08 2,99 0,54 0,79 0,29 0,43 2,28
u5 0,05 0,05 1,68 0,09 0,42 0,72 1,10
u6 0,33 0,25 1,25 0,40 0,31 0,46 1,00
u7 0,42 0,95 2,17 0,24 0,58 4,25 1,03
u8 7,81 5,56 0,98 0,11 0,16 0,19 2,86
u9 1,22 0,25 0,86 0,85 0,60 1,48 1,04
u10 1,87 1,87 0,04 1,77 0,52 1,10 0,00
u11 0,53 0,06 1,81 0,30 0,62 2,03 1,03
u12 22,39 16,59 0,39 0,87 0,14 0,16 273,43
Nakon unosa podataka u mrežu dobijeni su rezultati (slika 7.4 i tabela 7.13).
281
Slika 7.4 Izgled ekrana programa EasyNN-plus nakon sastavljanja upita
Tabela 7.13 Pregled ulaznih i izlaznog neurona
Ulazne kolone (neuroni) Upiti
N1 N2 N3 N4 N5 N6 N7
Izlazna kolona
(neuron) u1 2,88 8,99 1,12 0,55 0,23 0,42 2,65 1
u2 1,19 0,21 0,93 0,10 0,28 0,39 3,32 1
u3 1,61 1,42 0,99 0,12 0,12 0,13 1,71 1
u4 2,08 2,99 0,54 0,79 0,29 0,43 2,28 1
u5 0,05 0,05 1,68 0,09 0,42 0,72 1,10 1
u6 0,33 0,25 1,25 0,40 0,31 0,46 1,00 1
u7 0,42 0,95 2,17 0,24 0,58 4,25 1,03 0
u8 7,81 5,56 0,98 0,11 0,16 0,19 2,86 0
u9 1,22 0,25 0,86 0,85 0,60 1,48 1,04 0
u10 1,87 1,87 0,04 1,77 0,52 1,10 0,00 1
u11 0,53 0,06 1,81 0,30 0,62 2,03 1,03 1
u12 22,39 16,59 0,39 0,87 0,14 0,16 273,43 1
Markirani okvir na slici i pokazatelji u tabeli odnose se na red (upit) koji nije dao
očekivani izlaz. Kako se radi samo o jednom od 12 upita (8,33%) koji nije dao očekivani
rezultat može se zaključiti da se mreža može primijeniti sa pouzdanošću od 91,67% za nove
ulazne podatke. Pouzdanost mreže može se povećati formiranjem većeg uzorka,
isključivanjem ekstremnih vrijednosti, dužim ciklusom učenja mreže, kao i primjenom
simulacionih metoda na većem skupu podataka.
282
7.2 Izgradnja modela data warehouse (DW) za podršku odlučivanju
7.2.1 DW model kao sistem poslovne inteligencije
Poslovna inteligencija ima različito značenje za različite korisnike. Za poslovne
korisnike ona znači istraživanje tržišta, pa se ponekada naziva i inteligencija konkurencije. Za
neke korisnike znači izvještavanje i analiziranje, pa se, stoga, naziva poslovnim
izvještavanjem i analiziranjem. Drugi se koriste terminima poslovna analitika ili podrška
odlučivanju. Da bi poslovna inteligencija zaista bila podrška poslovnom odlučivanju mora da
omogući svim nivoima menadžmenta pristup, interakciju i analizu podataka da bi se
upravljalo poslovanjem, povećale performanse, otkrile povoljne prilike iz okruženja i
povećala efektivnost odlučivanja koja podrazumijeva donošenje pravih odluka.
Poslovna inteligencija zahtijeva odgovarajuću arhitekturu koja može da se usporedi s
motorom automobila koji može da bude snažan, ali korisnik (vozač) ne mora da ga poznaje
(što u većini slučajeva i jeste).
Komponente sistema poslovne inteligencije:
- operativni (transakcioni) sistem
- front-end alati poslovne inteligencije,
- ETL (Extract, Transform, Load) alati
- DW (Data warehouse)
- DM (Data marts)
Za neke organizacije prve dvije komponente zadovoljavaju potrebe poslovne
inteligencije.
Ako funkcioniše kao sistem poslovne inteligencije, operativni transakcioni sistem
može da projektuje sam korisnik ili da se nabavi kao gotov paket kao što je Oracle (Oracle
E-business), PeopleSoft (J. D. Edwards), SAP, Microsoft (Dinamics GP).
Podaci u te sisteme unose se ručno, meñutim daleko bolji pristup je da se podaci
sistemski prenose izmeñu sistema i modula.
Umjesto operativnih sistema u široj su upotrebi ERP (Enterprise Resource Planning)
sistemi koji omogućavaju konzistentnije postavljanje referentnih tabela sa konzistentnijim
podacima koji se distribuiraju kroz module i aplikacije.
283
U životnom ciklusu poslovne inteligencije operativni transakcioni sistemi su polazna
osnova za podatke koji se kasnije mogu analizirati. Naravno da je značaj tih sistema upravo u
samom postojanju – ako se podaci ne prikupljaju ne mogu se ni analizirati.
Najbolji način primjene koncepta poslovne inteligencije jeste izgradnja DW
(skladišta podataka) koji se sistemom ETL procesa puni iz operativnih sistema i drugih izvora
kao što su:
- podaci od distributera (npr. podaci o prodaji i zalihama),
- tzv. click-stream podaci (pregled proizvoda na Web lokaciji, on-line narudžbe)
- tržišne cijene (posmatranje, eksterne istraživačke organizacije)
7.2.1.1 Data warehouse (DW) model
Savremena kretanja u razvoju informacionih tehnologija dovela su do pojave
koncepta data warehouse koji postaje sastavni dio sistema za podršku odlučivanju, odnosno
sistema poslovne inteligencije. Vrlo često se ova dva termina poistovjećuju. Data warehouse
je posebno projektovano tehnološko okruženje koje omogućava objedinjavanje srodnih
podataka u oblik pogodan za analizu čime se olakšava proces donošenja odluka i daje nov
pristup sistemima za podršku odlučivanju. Cilj ovog dijela rada je da se izgradi i prikaže
funkcionisanje modela data warehouse-a, radi unapreñivanja procesa donošenja odluka.
Zahvaljujući stalnom unapreñivanju i razvoju informacionih tehnologija organizacije
postaju pretrpane podacima i informacijama koji se moraju prečistiti, organizovati i analizirati
da bi se mogli koristiti za podršku odlučivanju, naročito za donošenje strateških odluka za
koje se uglavnom koriste zbirni podaci iz odreñenog vremenskog perioda. S obzirom na to da
su problemi vezani za strateško odlučivanje nestrukturirani potrebno je, prilikom odlučivanja,
uzeti u obzir veću količinu podataka iz proteklog vremenskog perioda kako bi kvalitet
odlučivanja i odluke bile zadovoljavajuće. Zato se koncept data warehouse nameće kao pravo
rješenje i kvalitetna informaciona osnova za podršku odlučivanju.
Ekspanzija koncepta data warehouse-a omogućena je razvojem tehnologija za
paraleno procesiranje relacionih baza podataka zahvaljujući pojavi 64-bitnih procesora,
povećanju kapaciteta memorije i drugih performansi informacionih sistema.
Data warehousing ili skladištenje podataka predstavlja proces integracije podataka iz
organizacije u jedinstveni sistem iz kojeg krajnji korisnici mogu dobiti različite upite i
izvještaje i izvršavati složene analize i predviñanja. Skladište podataka orijentisano je na
284
potrebe krajnjih korisnika, donosilaca poslovnih odluka koji, uz pomoć alata za podršku
poslovnom odlučivanju, mogu donositi blagovremene i kvalitetne poslovne odluke.
Data warehouse odvaja analitičku obradu, On-Line Analytical Processing (OLAP),
od transakcione obrade, On-LineTransaction Processing (OLTP). Poznato je da proces
transakcione obrade (OLAP) predstavlja operativni proces obrade podataka u kojem se sadržaj
podataka mijenja kontinuirano svakodnevno i u vremenskim okvirima koji se ne mogu
unaprijed precizno odrediti jer se promjene evidentiraju od slučaja do slučaja u momentu
nastanka transakcije.
Analitička obrada podataka (OLAP) izvršava se komparacijom ili obradom izvornih
podataka i analizom trendova. Podaci se mijenjaju u tačno odreñenim, a ne u proizvoljnim
vremenskim intervalima, u zavisnosti od prirode problema koji se analizira. Sistemi analitičke
obrade podataka i analitičke baze podataka projektuju se tako da mogu da prihvate veliku
količinu read-only podataka čijom se obradom dobijaju informacije koje se upotrebljavaju za
donošenje poslovnih odluka.
Tradicionalni sistemi procesiranja podataka ne daju potpunu podršku odlučivanju
zbog svojih performansi. Naime, normalizovane baze podataka projektovane su na način da
obezbijede brz pristup podacima za veliki broj transakcija, a sistemi za podršku odlučivanju
karakteristični su po brzim, ad-hoc analizama, slabo strukturiranim izvještajima i analizama
koje obuhvataju relativno malo transakcija, ali koje uključuju veliki broj tabela i zapisa u
njima. U većini modela data warehouse-a denormalizacija je normalan proces koji zahtijeva
drugačiji pristup podacima i drugačiju koncepciju baze podataka, tabela i upita.
U tabeli 7.14 navode se ključne razlike izmeñu tradicionalnih OLTP sistema i
sistema za podršku odlučivanju, odnosno data warehouse-a (DW) i data mart-a (DM).
Dok su OLTP aplikacije procesno orijentisane, OLAP aplikacije su predmetno
orijentisane i koriste se sumarnim i objedinjenim podacima.
7.2.1.2 Data warehouse i sistemi za podršku odlučivanju
Novi pristup sistemima za podršku odlučivanju omogućava objedinjavanje
meñusobno zavisnih podataka u odvojeno projektovanom okruženju data warehouse-a,
skladištu podataka u kojem se podaci čuvaju u posebno integrisanim relacionim bazama
podataka koje na osnovu upita i analiza obezbjeñuju pregled informacija iz ranijih perioda
potrebnih za donošenje odluka u tekućem periodu.
285
Tabela 7.14 Komparacija operativnih sistema i sistema za podršku odlučivanju (DW/DM)
Funkcije/Namjena Operativni transakcioni sistem Sistemi za podršku odlučivanju (DSS),
DW/DM Sadržaj podataka Trenutni podaci Arhivirani sumarni, izračunati podaci Organizacija podataka Zavisi od aplikacije do aplikacije Prema potrebama organizacije Priroda podataka Dinamički Statički sve do obnavljanja Struktura i format podataka
Složena; pogodan za operative proračune
Jednostavna; pogodna za poslovne analize
Mogućnosti pristupa Visoke Smanjene
Promjena podataka Promjena po poljima baze podataka
Nije direktna promjena
Upotreba Struktuirani, ponavljajući procesi
Nestrukturirani,analitički procesi
Vrijeme odziva 2-3 sekunda i manje; brzi ulaz ali spori upiti
Od nekoliko sekunda do nekoliko minuta; samo za čitanje; prilagoñen za brze upite
Namjena
Primarna funkcija evidentiranje poslovnih promjena nakon dogañanja, odnosno izvršavanje operativnih zadataka
Primarna namjena obezbjeñivanje pristupa informacijama za upravljanje poslovanjem koje vodi povećanju prihoda, smanjenju troškova, kvalitetnijem servisiranju kupaca i postizanju strateških ciljeva.
Istorija
Tekuće informacije sa veoma malo prošlih podataka
Velika količina podataka iz prošlosti koji omogućavaju višegodišnju trend analizu, komparaciju tekuće u odnosu na prethodnu godinu.
Vremenska dimenzija Informacije u realnom vremenu Informacije ekstrahovane na periodičnoj osnovi (dnevne, sedmične, mjesečne). U novije vrijeme operacione DW mogu da ekstrahuju u realnom vremenu ili više puta dnevno.
Nivo detaljnosti Detaljne informacije na nivou stavke ili nivoa unosa podataka
Agregirane informacije sa različitim stepenom granuliranosti
Struktura tabela Na hiljade normalizovanih tabela Dijelovi DW mogu da budu normalizovani ali dijelovi upita poslovnih korisnika obično su denormalizovani u zvjezdastu ili pahuljastu shemu. DW ima manje tabela od izvornog sistema
Dimenzije Rijetko hijerarhijsko grupisanje Hijerarhijske grupe pružaju vremenski nivo, kontni plan, grupisanje proizvoda, grupe klijenata itd.
Izvještavanje i analiza Fiksni izvještaji na osnovu jedne detaljne dimenzije
Fiksno ili ad hoc izvještavanje na osnovu više dimenzija preko svih poslovnih funkcija
Izvor (kombinovanoi prilagoñeno): Howson, C. 2008. Successful Business Intelligence: Secrets to Making Business Intelligence a Killer App. New York: Mc Graw Hill, p. 29. ; www.ibm.com/software/data/informix; 5.12.2008.
U skladištu podataka fizički se razdvajaju podaci kojima se koriste sistemi za
podršku odlučivanju od izvornih baza podataka. Podaci u skladištu obnavljaju se periodično
podacima iz izvornih baza podataka u skladu s potrebama sistema za podršku odlučivanju.
Stalni zahtjevi donosilaca odluka za svježim informacijama prisiljavaju projektante skladišta
podataka da pronañu efikasna rješenja koja će povećati stepen osvježavanja skladišta
podataka.
286
7.2.1.3 Karakteristike skladišta podataka
Projektovanje skladišta podataka znatno se razlikuje od projekta klasičnih baza
podataka, odnosno sistema za transakcionu obradu podataka. Osnovna karakeristika projekta
klasične obrade podataka jeste zasnovanost na transakcijama. Data warehouse takoñe ima
prepoznatljive karakteristike. Četiri glavne karakteristike su: sadržaj, integritet, statičnost i
vremenska osjetljivost.461
Sadržaj data warehouse može da bude kolekcija podataka koji se odnose na
operacioni sistem organizacije. U ponuñenom modelu data warehouse-a sadržaji su: područja
(Brčko distrikt BiH, FBiH, Republika Srpska i inostranstvo), partneri (kupci i dobavljači),
organizacije i vremenska dimenzija (podaci za 2006., 2007. i 2008. godinu). Ovo se razlikuje
od operativnih sistema s obzirom na to da DW sadrži manje tabela, pa prema tome i manje
podataka. Za održavanje sadržaja DW se koristi izvorima iz transakcionih sistema (podaci od
nekoliko knjigovodstvenih servisa u Brčko distriktu BiH).
Integracija. Da bi se u potpunosti mogli pratiti trendovi za dati skup podataka sadržaj
skladišta podataka mora da bude integrisan i sinhronizovan. Iz tabela, procesom
prečišćavanja, isključeni su podaci o poslovnim partnerima koji nisu poslovali sve tri
posmatrane poslovne godine (2006., 2007. i 2008.).
Statičnost ukazuje na činjenicu da se podaci rijetko mijenjaju. Postalo je pravilo da
se izvori podataka dodaju, ali se rijetko koriste za zamjenu podataka. Drugim riječima, podaci
se pojedinačno ne mijenjaju dok se ne ukaže potreba da se mijenja više podataka koji su
dodani u data warehouse. Isto tako, rijetko postoji potreba da se mijenja struktura DW. Ovaj
princip korišćen je i u ponuñenom modelu DW.
Vremenska osjetljivost. Osnovna namjena DW je praćenje trendova koji su
evidentirani u operativnim transakcionim sistemima, a koji ne bi bili tako očigledni jer su
podaci u tim sistemima suviše detaljni. Model DW ima vremenski pečat tako da se poreñenje
može izvrši izmeñu dvije ili tri godine, na primjer praćenje prihoda od kupaca od 2006. do
2008. godine ili izvršiti projekcija prihoda za nekoliko godina unaprijed korišćenjem
statističkih metoda ili inteligentnih sistema zasnovanih na neuronskim mrežama.
Skladište podataka ima i druge karakteristike po kojima se razlikuje od ostalih
sistema. Te karakteristike su:
461 http://www.databaseconcepts.net/datawarehousing.pdf, 22.12.2008.
287
- Podaci se ekstrahuju iz izvornih sistema, baza podataka i datoteka. U arhitekturi
skladišta podataka naglašava se postojanje više izvora podataka koji su najčešće
heterogeni, bilo po prirodi medija, platformama ili formatu podataka što je glavni
razlog neophodnosti ekstrahovanja podataka.
- Podaci iz izvornih sistema prije unosa u skladište podataka integrišu se i
transformišu. Potrebnim informacijama često je teško pristupiti, a i njihova forma
često ne zadovoljava potrebe korisnika. Integracijom podataka s odvojenih
sistema i njihovim transformisanjem pruža se krajnjem korisniku, donosiocu
poslovne odluke bolji pregled i jednostavnija analiza podataka.
- Skladište podataka je posebna baza podataka projektovana za podršku
odlučivanju. Osnovna ideja prilikom kreiranja skladišta podataka je odvajanje
procesa operativne obrade podataka od podrške odlučivanju. Operativna baza je
projektovana da prihvata, mijenja i izvještava o svakodnevnim podacima, dok
baza podataka sistema za podršku odlučivanju mora da obezbijedi lak pristup
velikoj količini podataka i analitičkih informacija. S obzirom na to da jedna baza
ne može da obezbijedi efikasno funkcionisanje oba sistema projektuje se posebna
baza podataka koja je osnovna komponenta u arhitekturi skladišta podataka.
- Skladištu podataka pristupa se uz pomoć aplikacija i front-end alata. U mnogim
slučajevima tehnološka osnova pristupa podacima je klijent-server arhitektura sa
radnim stanicama kao klijentima i skladištem podataka kao serverom. Konkretan
model DW, u ovom radu, predstavlja potpunu aplikaciju koja može da
funkcioniše na bilo kojem računaru, djelimično predstavlja otvoren sistem jer se
neke komande mogu dodavati, a podaci eksportovati u druge aplikacije (Excel,
SSPS, EasyNN-Plus i sl.)
- S obzirom na činjenicu da ne postoji tačno utvrñena metodologija za
implementaciju arhitekture skladišta podataka, pri implementaciji vodilo se
računa o osnovnim elementima arhitekture i prilagoñavanju postojećem
okruženju, ciljevima istraživanja u radu i informacijama potrebnim za konkretnu
podršku odlučivanju.
288
7.2.1.4 Faze izgradnje data warehouse modela
Za razliku od procesa izgradnje sistema za transakcionu obradu, koji se, u većini
slučajeva, sastoji od planiranja, analize, projektovanja, razvoja, testiranja i implementacije,
izgradnja sistema DW obuhvata sljedeće faze:
1. Planiranje projektovanja skladišta podataka.
2. Prikupljanje podataka i modeliranje.
3. Projektovanje i razvoj fizičke baze podataka. Projektovanje baze podataka
obuhvata kreiranje tabela činjenica, dimenzionih i pomoćnih tabela i upita,
denormalizaciju, identifikaciju ključeva i indeksa i kreiranje odgovarajućih
objekata baze podataka i aplikacije u cjelini.
4. Lociranje i transformacija podataka. Ova faza, koja se izvršava istovremeno sa
fazom projektovanja baze podataka, izuzetno je sofisticirana i podrazumijeva
lociranje izvora podataka u sistemu za operativnu obradu i analizu o tome koje
su transformacije nad podacima neophodne. Faza obuhvata: definisanje izvora
podataka, determinisanje formata datoteka, razvoj specifikacije za transformaciju
podataka, povezivanje izvora i odredišta podataka i eventualnu izmjenu
planiranog kapaciteta skladišta podataka. U konkretnom modelu DW nije se
vodilo računa o kapacitetu skladišta podataka.
5. Ekstrakcija, transformacija i učitavanje podataka izvršava se uz pomoć
odgovarajućih tehnologija koje obuhvataju: razvoj procedura za ekstrakciju i
manipulaciju podacima, razvoj procedura za učitavanje podataka, razvoj
programa ili korišćenje alata za transformaciju i integraciju podataka i testiranje
procedura za ekstrakciju, transformaciju i učitavanje podataka.
6. Automatizacija upravljanja podacima. Ova faza obuhvata: automatizovanje i
upravljanje procesom ekstrakcije, transformacije i učitavanja podataka, kreiranje
procedura za backup i oporavak i testiranje svih automatizovanih procedura.
7. Razvoj aplikacije i kreiranje početnog skupa izvještaja. Razvoj aplikacije DW
modela omogućen je korišćenjem alata za pristup podacima pri izradi izvještaja.
U okviru ove faze provjerene su i podešene performanse modela, kreirani i
testirani početni izvještaji i upiti, eksportne komande i potrebni obrasci.
8. Provjera podataka i testiranje. Standardne metode provjeravanja podataka
primjenjivane su u fazi ekstrakcije, transformacije i učitavanja. Prilikom
kreiranja modela skladišta podataka korišćena je metoda provjere broja zapisa, a
289
nakon učitavanja i čišćenja podataka pristupilo se konačnom provjeravanju. U
tom postupku iterativno se prolazilo kroz sve faze razvoja modela i unosile su se
modifikacije koje su model dovele u sklad sa definisanim ciljevima i modelom
poslovanja. Ova faza obuhvatala je provjeru podataka korišćenjem početnog
skupa izvještaja, provjeru podataka, korišćenjem privremenih tabela i upita, i
iterativnu promjenu podataka.
9. Probni rad. Nakon kreiranja i instaliranja modela DW, radi definitivne provjere
funkcionalnosti modela, obavljen je probni rad modela.
Data warehouse omogućava raspolaganje i skladištenje podataka koji su
transformisani u oblik koji omogućava jednostavniji pristup i analizu podataka radi
kvalitetnijeg odlučivanja. Ovaj koncept predstavlja revolucionaran pristup raspolaganju
kritičnom masom korisnih informacija koje će olakšati procese donošenja odluka.
7.2.1.5 Opis DW modela
Model se sastoji od dvije vrste tabela: tabele činjenica i četiri dimenzione tabele:
Registracija, Partneri, Organizacije i Konta (slika 7.5).
Slika 7.5 DW model
Tabela činjenica
IDRegistracija_firmeJIB_firmeKontoOpis_kontaOpis_nalogaDatum_promjeneDatum_dokumentaOpis_knjiženjaDuguhePotražujeKUF_KIFKUF_iznos_bez_PDVKUF_iznos_PDVKIF_bruto_fakturaKIF_osloboñeni_dio_osnoviceNaziv_partneraRegistracija_partneraPoštanski_broj_partneraJIB_partneraPDV_broj_partnera
Registracija
ID_registracije_firmeNaziv_registracije_firmeVremenski_pečat
Partneri
ID_partneraNaziv_partneraAdresaPoštanski_brojMjestoTelefonFaksID_poreskog obveznikaBroj_žiro_računaBankaZemljaNapomenaPDV_brojID_registracije_firmeSIDBroj_žiro_računa_2Banka_2PDV_datumVremenski_pečat
Organizacije
JIB_firmeNaziv_firmePoštanski_broj_firmeGradPDV_broj_firmeŠifra_djelatnosti
ID_kontaKontoOpis_kontaStatus_partnerTipIsklj_iz_knjige_prih_rashodaVremenski_pečat
Konta
290
Tabela činjenica sadrži ključeve za dimenzione table i, uglavnom, numeričke
podatke za analizu.
Tabela činjenica ima preko 400.000 zapisa koji se odnose na sintetizovane
vrijednosti iz dnevnika poslovnih transakcija preko dvjesto organizacija, od kojih je većina sa
područja Brčko distrikta BiH (slika 7.6). Da bi se poboljšale performanse upita, olakšalo
kreiranje izvještaja, interaktivno komuniciranje i funkcionalnost modela u cjelini, na osnovu
tabele činjenica, kreirani su privremene tabele i upiti, odnosno martovi podataka, koji se po
izboru korisnika, donosioca poslovne odluke mogu dalje filtrirati i obrañivati poznatim
metodama data warehouse analize (data mining, drill-up, drill-down i dr.)
Slika 7.6 Struktura organizacija po području
Dimenzione tabele omogućavaju analizu iz različitih perspektiva kao što je
vremenska (po godinama), geografskim područjima (Brčko distrikt BiH, FBiH, RS,
inostranstvo), partnerima (kupci, dobavljači) i dr.
Poznata je činjenica da su u transakcionim sistemima za upravljanje bazama
podataka (DBMS) podaci memorisani na način koji omogućava njihovo brzo unošenje,
ažuriranje i pretraživanje uz minimalno dupliranje. Podaci su smješteni u normalizovane
tabele, gdje se nastoji redukovati ponavljanje podataka i, na taj način, omogućiti ažuriranje
zapisa samo na jednom mjestu.
U praksi se često pravi kompromis izmeñu normalizovanja tabela (definisanog
pravilima normalizovanja tabela, tzv. 5 normi, koja se najčešće svode na tri – 3N forma) i
performansi sistema. Meñutim, procesom denormalizacije podaci u DW ili DM organizuju se
na način da se olakša analiza i poboljšaju performanse upita koje korisnik postavlja skladištu
podataka radi dobijanja agregiranih informacija i na njima zasnovanih izvještaja.
291
Bez obzira na to da li se radi o transakcionom ili DW sistemu, korisnici poslovnih
informacija ne moraju da vode računa o tome kako su podaci fizički smješteni u
transakcionom ili sistemu skladišta podataka. Bitno je da korisnik, donosilac poslovne odluke
unaprijed definiše zahtjeve kako bi se ekstrahovali podaci za analizu. Model skladišta
podataka (slika 7.5) projektovan je da bi se omogućila i olakšala analiza, kreirali odgovarajući
unaprijed definisani ili ad hoc izvještaji i upiti, kreirali grafički prikazi i, na osnovu toga,
predvidjela odreñena kretanja posmatranih pojava. Slična analiza (na primjer, kupaca po
geografskim područjima) ne bi bila moguća na bazi operativnog (transakcionog) sistema, gdje
je organizacija podataka podreñena tekućoj, svakodnevnoj operativnosti.
Model skladišta podataka omogućava (slike 7.7 i 7.8):
- analizu podataka po geografskim područjima (Brčko distrikt BiH, Federacija
BiH, Republika Srpska, inostranstvo)
- analizu podataka po godinama,
- segmentaciju kupaca i dobavljača,
- pregled i analizu podataka pojedinih organizacija,
- kreiranje fiksnih i ad hoc upita i izvještaja,
- izvoz (eksport) podataka i rezultata obrade u druge aplikacije za detaljniju
analizu (Excel, SSPS, EasyNN-plus i dr.).
Slika 7.7 Osnovni meni DW modela
292
Slika 7.8 Parametri izvještaja DW modela
Fiksni izvještaji (slika 7.9) koji se mogu kreirati pomoću DW modela su:
- struktura modela,
- prihodi od kupaca po geografskim područjima,
- izlazni PDV po područjima,
- prihodi od prodaje po statusu kupca i
- izlazni PDV po statusu kupca.
Slika 7.9 Fiksni izvještaji DW modela
Uz pomoć eksportnih komandi (slika 7.10 i 7.11) model omogućava kreiranje ad hoc
izvještaja prema specifičnim zahtjevima korisnika, odnosno donosioca poslovnih odluka.
Takvi izvještaji su:
293
- pregled broja kupaca prema visini ostvarenih prihoda,
- linearni trend po kvartalima od 2006. do 2008. godine,
- projekcija prihoda po kvartalima za period 2009-2011 i
- drugi ad hoc izvještaji koje korisnik, donosilac poslovne odluke, uz malo
poznavanje funkcionisanja modela, može da kreira po potrebi.
Slika 7.10 Tabela eksportnih komandi DW modela
Slika 7.11 Shema eksportnih komandi DW modela
Kao što je ilustrovano u tabeli 7.15 i na slici 7.8, na osnovu ulaznih parametara
modela koje definiše korisnik, kreirani su odgovarajući izvještaji za analizu prodaje po
294
područjima (Brčko distrikt BiH, Federacija BiH, Republika Srpska i inostranstvo) i u
vremenskoj dimenziji (2006, 2007. i 2008. godina).
Tabela 7.15 Prihodi od prodaje po područjima
u KM
Slika 7.12 Grafički prikaz prihoda po podru čjima i godinama
(u 000 KM)
Primjećuje se da su prihodi od prodaje, posmatrani u vremenskom razdoblju od tri
godine, u blagom porastu kada se radi o kupcima iz Federacije BiH i Republike Srpske.
Primjetno odstupanje od ovakvog kretanja jeste promjena prihoda od prodaje koja se odnosi
na kupce iz Brčko distrikta BiH u prvoj godini posmatranja (2006). Utvrñivanje uzroka
295
odstupanja zahtijevalo bi dublju analizu. Moguće faktore koji su mogli uticati na kreiranje
takve slike u 2006. godini treba tražiti u činjenici da je 2006. prva godina uvoñenja poreza na
dodanu vrijednost, pa je te prve godine uvoñenja PDV došlo do nesrazmjernog povećanja
prihoda od prodaje usljed respektovanja novouvedenog zakona i povećanja cijena za iznos
iznad visine poreza na dodanu vrijednost. Narednih godina (2007. i 2008.) , PDV praksa se
ustalila, pa su i prihodi svedeni u realne okvire.
Analizom strukture kupaca prema visini ostvarenih prihoda (tabela 7.16 i slika 7.13)
utvrñeno je da se najveći broj kupaca (51,60%) odnosi na kupce koji imaju prihod preko
20.000 KM, dok je značajan broj kupaca (28,72%) čiji je prihod ispod 5.000 KM.
Tabela 7.16 Pregled broja kupaca prema visini ostvarenih prihoda od prodaje
Visina prihoda Broj kupaca % Kumulativno
do 2.500 134 15,33% 15,33%
2.500-5.000 117 13,39% 28,72%
5.000-7.500 64 7,32% 36,04%
7.500-10.000 45 5,15% 41,19%
10.000-12.500 21 2,40% 43,59%
12.500-15.000 22 2,52% 46,11%
15.000-17.500 10 1,14% 47,25%
17.500-20.000 10 1,14% 48,40%
preko 20.000 451 51,60% 100,00%
UKUPNO 874 100,00% -
Slika 7.13 Struktura kupaca prema visini ostvarenog prihoda od prodaje
u KM
296
Predloženi model omogućava obradu i analizu podataka eksportovanjem u druge
aplikacije. Na osnovu toga moguće su dublje analize i predviñanja. Linearni trend, za period
od 2006. do 2007. godine, i projekcija prihoda, za period 2009-2011, prikazani na slikama
7.14 i 7.15., dobijeni su na osnovu eksportovanja podataka i rezultata u tabelarni program..
Slika 7.14 Linearni trend po kvartalima od 2006. do 2008. godine
Dinamika 2006-2008. Godina Kvartal Prihod KM
I 36.772 II 3.325.905 III 2.590.405
2006.
IV 3.663.007 I 859.477 II 1.325.603 III 1.463.605
2007.
IV 1.312.489 I 1.215.805 II 1.720.351 III 1.803.100
2008.
IV 1.622.563
Slika 7.15 Projekcija prihoda za period od 2009. do 2011. godine
Projekcija 2009-2011. Godina Kvartal Prihod KM
I 1.996.671 II 1.950.899 III 1.905.127
2009.
IV 1.859.354 I 1.813.582 II 1.767.810 III 1.722.037
2010.
IV 1.676.265 I 1.630.493 II 1.584.720 III 1.538.948
2011.
IV 1.493.176
Uz pomoć DW modela moguće su i dodatne analize prema zahtjevu korisnika,
donosioca poslovne odluke uz primjenu složenijih inteligentnih i statističkih metoda i
odgovarajućeg softvera. U ovom dijelu rada pažnja je fokusirana na analizu prihoda od
kupaca iako su moguće i druge analize.
297
ZAKLJU ČAK
U disertaciji je istražena uloga, značaj, primjena i funkcionisanje inteligentnih sistema
podrške poslovnom odlučivanju proučavanjem njihovog nastanka, razvoja i budućih tokova, kao i
tokova informaciono-komunikacione tehnologije i vještačke inteligencije praćenjem stručne literature,
odgovarajućeg softvera i oblasti primjene, te predložene mogućnosti, područja i načini primjene
inteligentnih sistema podrške poslovnom odlučivanju u poslovnim sistemima.
Inteligentni sistemi podrške odlučivanju primjenjuju se za rješavanje problema poslovnog
odlučivanja u kojima intuicija, iskustvo i klasični algoritamski pristup ne mogu pružiti
zadovoljavajuće rješenje. Utvrñeno je da se primjenom inteligentnih sistema, pored kvantitativnih
metoda i modela poslovnog odlučivanja i kvalitativne analize, koristi i iskustvo, intuicija i rezonovanje
slično rezonovanju čovjeka, kao i istorijski podaci, na osnovu kojih inteligentni sistemi, naročito oni
koji se zasnivaju na vještačkim neuronskim mrežama, uče i na osnovu naučenoga oponašaju
funkcionisanje inteligencije čovjeka i pružaju adekvatno znanje donosiocu poslovne odluke.
Proučavanjem teoretskog aspekta poslovnog odlučivanja, sistemske podrške odlučivanju,
poslovne inteligencije i tehnologija crpljenja znanja iz disperzivnih baza podataka i baza znanja
zaključeno je da se, zahvaljujući napretku informacione i telekomunikacione tehnologije, koja i sama
mora da bude inteligentna, može istražiti i analizirati više mogućih rješenja i pružiti podrška
donošenju kvalitetnih odluka.
Značaj inteligentnih sistema podrške poslovnom odlučivanju sastoji se u prikupljanju i
obradi relevantnih podataka i informacija i stvaranju znanja pomoću kojeg se smanjuje neizvjesnost
pod kojom se donosi poslovna odluka i ostvaruje funkcionisanje poslovnog sistema, te svrha i cilj
njegovog postojanja. Odluke se donosi o akcijama i ciljevima koji će se ostvarivati u budućnosti, a
donosilac poslovne odluke rangira situaciju odlučivanja prema stepenu neizvjesnosti od situacije koju
je moguće u potpunosti predvidjeti do one koju je teško sa predvidjeti. Uzroci neizvjesnosti mogu da
budu nepoznavanje objektivne stvarnosti, koja može da bude izvan kontrole donosioca odluke, ili
nedostatak informacija i znanja. Inteligentni sistemi obezbjeñuju odgovarajuće informacije i znanje
potrebne za ublažavanje i otklanjanje rizika i neizvjesnosti.
Različite vrste problema, prema strukturiranosti, zahtijevaju primjenu različitih
informacionih sistema. Strukturirani dobro definisani problemi mogu da se riješe primjenom klasičnih
informacionih sistema i konvencionalnim tehnikama programiranja. Udaljavanje od strukturiranih
problema dovodi do usložnjavanja odlučivanja u kojem standardne procedure za rješavanje problema
nisu dovoljne, jer podaci, informacije i znanje mogu da budu nekompletni, a ciljevi i ograničenja
nedovoljno definisani. Tradicionalnim sistemima obrade podataka ne mogu se riješiti takvi problemi.
298
Da bi se osigurali strukturirani podaci u sistemima podrške odlučivanju primjenjuju se
standardne računarske procedure, a korisnik odlučuje koje će procedure primijeniti u odgovarajućoj
situaciji i ocjenjuje da li su dobijeni rezultati zadovoljavajući. Polustrukturirani i nestrukturirani
problemi zahtijevaju primjenu sistema podrške odlučivanju i inteligentnih sistema podrške.
Korišćenjem metoda, tehnika i sistema vještačke inteligencije inteligentni sistemi pružaju mogućnost
kodiranja ciljeva, heuristika i strategija koje donosilac odluka koristi za rješavanje problema koji se ne
mogu riješiti klasičnim računarskim programima.
Razvoj informacionih sistema posmatran je dvojako: preko sistema za obradu podataka i
sistema za podršku odlučivanju, s jedne strane, i preko vještačke inteligencije i inteligentnih sistema, s
druge strane. Utvrñeno je da se ta dva posebna puta razvoja, povezivanjem u inteligentni sistem, mogu
koristiti za rješavanje širokog spektra praktičnih problema poslovnog odlučivanja.
Integraciju klasičnih informacionih sistema i inteligentnih sistema podrške odlučivanju
moraju da prate razvoj hardvera, telekomunikacija, softvera i promjene u pogledu podataka,
informacija i znanja koji doprinose kvalitetnijoj pripremi i donošenju poslovnih odluka. Distribuirana
obrada i distribuirani objektno-orijentisani inteligentni sistemi podrške omogućavaju da donosilac
odluke, bez obzira na prostornu dislociranost, u svakom trenutku, iz poslovnog sistema i okruženja
dobije informacije i znanje koji su relevantni za donošenje poslovnih odluka. Komunikaciona
tehnologija omogućava povezivanje dislociranih računara i korisnika, funkcionisanje lokalnih i
globalne mreže računara i grupno donošenje odluka uz primjenu inteligentnih sistema podrške.
Komplementarnost, kombinacija i integracija klasičnih i novih informacionih sistema
omogućavaju podizanje kvaliteta odlučivanja, naročito pri donošenju poslovnih odluka u uslovima
neizvjesnosti koja može da se otkloni ili ublaži povezivanjem takvih sistema i informacionih
tehnologija. Kombinovanjem i integracijom inteligentnih sistema postižu se sinergijski efekti
povezivanjem inteligentnih sistema podrške odlučivanju koji se zasnivaju na skladištima podataka i
bazama znanja i sistema za podršku odlučivanju baziranih na neuronskim mrežama, genetskom
algoritmu i drugim inteligentnim tehnikama i metodama, kao i metodama i tehnikama statistike i
operacionih istraživanja.
Na osnovu generalnih zaključaka iz rada mogu se potvrditi postavljene hipoteze i
očekivani rezultati, izvući glavni zaključci i sagledati naučni doprinos. Potvrñene su sljedeće hipoteze:
1. Postoji uska veza izmeñu strukture problema i vrste informacionih sistema za podršku
odlučivanju. Inteligentni sistemi, posebno oni koji se zasnivaju na neuronskim mrežama, skladištima
podataka i data mining-u, zahvaljujući kvantitativnim modelima i kvalitativnoj analizi, mogu da se
koriste za rješavanje nestrukturiranih problema poslovnog odlučivanja.
299
2. Inteligentni sistemi podrške odlučivanju su dopuna klasičnim informacionim
sistemima i informacionim tehnologijama i pomoć donosiocima poslovnih odluka koje ne isključuju iz
procesa odlučivanja.
3. Meñusobnim povezivanjem informaciono-komunikacione tehnologije i inteligentnih
sistema podrške poslovnom odlučivanju omogućava se jednostavniji i brži pristup globalnim
podacima, informacijama i znanju i donošenje kvalitetnih i blagovremenih poslovnih odluka.
Glavni zaključci do kojih se u istraživanju došlo su:
1. Široko je prihvaćena činjenica da se procedure odlučivanja, iz dana u dan, neprestano
usložnjavaju. Suočavanje s problemom zahtijeva efikasnu i efektivnu podršku donosiocima poslovnih
odluka, ekstrakciju primjenljivog znanja iz različitih izvora i adekvatno predstavljanje i memorisanje
znanja u sisteme podrške odlučivanju. Znanje memorisano u informacionim sistemima preduzeća i
znanje vremenski i prostorno dislocirano u različitim dijelovima svijeta, uz pomoć inteligentnih
sistema i elektronske razmjene podataka, može da se iskoristi i za potrebe donošenja poslovnih odluka.
2. U okviru istraživanja mogućnosti primjene inteligentnih sistema utvrñeno je da se
inteligentni sistemi podrške poslovnom odlučivanju i inteligentne metode predstavljanja znanja mogu
primjenjivati na širokom spektru problema poslovnog odlučivanja. Vještačke neuronske mreže
primijenjene na području finansijske analize kreditne sposobnosti preduzeća koja trguju na
Banjalučkoj berzi dale su visok nivo pouzdanosti, mada se projektovana neuronska mreža, radi
simplifikacije, sastojala od malog broja neurona. Analizom je utvrñeno da se inteligentnim sistemima
zasnovanim na neuronskoj mreži veoma uspješno može sticati neophodno znanje i pružiti adekvatna
podrška donošenju poslovnih odluka.
3. Model data warehouse-a omogućio je višestruku analizu poslovanja privrednih
subjekata po područjima (Brčko distrikt, FBiH, RS i inostranstvo), vremenskoj dimenziji (2006, 2007.
i 2008. godina) i statusu u odnosu na porez na dodatnu vrijednost i pružio mogućnost donosiocima
poslovnih odluka da primijene inteligentne metode i tehnike u zavisnosti od potreba donošenja
operativnih, a naročito strateških odluka.
Rezultati i naučni doprinos istraživanja ogledaju se u aktuelizaciji pristupa poslovnom
odlučivanju u kojem se donosioci poslovnih odluka podstiču da se koriste savremenim dostignućima
nauke, da, pored vlastitog znanja, iskustva i intuicije, primjenjuju i inteligentne sisteme za podršku
poslovnom odlučivanju, da prihvataju objektivne mogućnosti informacionih resursa radi stalnog
povećavanja efikasnosti i efektivnosti donošenja poslovnih odluka.
300
301
Liter аtura 1. Aamodt, A. and Plaza, E. 1994. "Case-Based Reasoning: Foundational Issues,
Methodological Variations and System Approaches". AI Communications. Vol 7(i), pp. 39-59.
2. Aćimović, S. 2003. "Servis potrošača". Beograd: Ekonomski fakultet. 3. Ainscough, T. L. and Aronson, J. E. 1999. "A Neural Networks Approach for the Analysis of
Scanner Data". Journal of Retailing and Consumer Services. Vol. 6. 4. Alavi, M. and Leidner, D. 2001, March."Knowledge Management and Knowledge
Management Systems: Conceptual Foundation and An Agenda for Research". MIS Quarterly: 107-136.
5. Alterman, R. 1989. "Panel Discussion on Case Representation". In: Proceedings of the Second Workshop on Case-Based Reasoning. Pensacola Beach. FL. US. (www.ai-cbr.org)
6. Angelov, P. P. and Buswell, R. A. 2003. "Automatic Generation of Fuzzy Rule-Based Models from Data by Genetic Algorithms". Information Sciences 150: 17-31.
7. Arsham, H. Applied Management Science: "Making Good Strategic Decisions", www.ubmail.ubalt.edu/harsham/opre640.htm.
8. Balaban, N. i Ristić, Ž. 1998. Sistemi podrške odlučivanja. Subotica: Ekonomski fakultet. 9. Balaban, N. i Ristić, Ž. 2001 (maj). "Holistički pristup sistemima poslovne inteligencije u
strategijskom upravljanju". Beograd: Strategijski menadžment. 10. Balaban, N. i sаr. 1998. "Integralni pristup planiranju i kontroli resursa organizacije (ERP)
i Data warehouse(DW) sistemi u funkciji podrške menadžmentu". Niš: Ekonomske teme VII-XII.
11. Balaban, N. i sаr. 2002. Informacioni sistemi u menadžmentu. Beograd: Savremena administracija.
12. Baker, B. M. and Syechew, M. A. 2003. "A Genetic Algorithm for the Vehicle Routing Problem". Computer and Operations Research. Vol. 30, pp. 787-800.
13. Barković, D. 2004. Operacijska istraživanja u investicijskom odlučivanju. Osijek: Ekonomski fakultet.
14. Bartos, F. J. 1999 (May). "Motion Control Tunes into AI Methods". Control Engineering. Vol. 46. No. 5.
15. Bazerman, M. H. 1998. Judgment in Managerial Decision-Making. New York: Wiley. 16. Beardshaw, J., Palfreman, D. 1990. The Organization in its Environment. London: Pitman. 17. Bečejski-Vujaklija, D. 2001. "Novi Data warehousealati u funkciji strateškog
menadžmenta". Beograd: Strategijski menadžment. 18. Berry, M. J. A. and Linoff, G. 1997. Data Mining Techniques; For Marketing, Sales, and
Customer Support. New York: John Wiley and Sons. 19. Berthold, M. and Hand, J. D. 1999. Intelligent Data Analysis. Berlin: Springer-Verlag. 20. Bigus, J. P. 1996 Data Mining with Neural Networks. New York: McGraw-Hill. 21. Bieszczad, A. and Pagurek, B. 1998. "Network Management Application – Oriented
Taxonomy of Mobile Code". New Orleans: Proceedings of the EEE/IFIP Network Operations and Management Symposium, pp. 659-669.
22. Boguslavsky, J. 2000 (September). "Visualize Large Data Sets Online". Researche & Development. Vol. 42, No. 9.
23. Bracket, M. 1996 The Data Warehouse Challenge, Taming Data Chaos. New York: John Wiley Inc.
24. Buckholtz, T. J. 1995. Information Proficiency - Your Key to the Information Age. New York: Van Nostrand Reinhold.
25. Byrd, T. A. 1995. "Expert Systems Implementation: Interviews with Knowledge Engineers". Industrial Management and Data Systems. Vol. 95. No. 10.
26. Byars, L. L. 1992. Concepts of Strategic Management Formulation and Implementation, New York: HarperCollins Publishers Inc.
27. Cartwright, H. 2000. Intelligent Data Analysis in Science. New York: Oxford University Press.
302
28. Chen, H. 2003 (April). "Web Retrieval and Mining". Decision Support Systems. Special Issue.
29. Chen, C. H., Occena, L. G. 2000. "Knowledge Decomposition for a Product Design Blackboard Expert System". Artificial Intelligence in Engineering. No. 14, pp. 71-82.
30. Cheng, D. T. and Covaci, S.1997.“The OMG Mobile Agent Facility“. Berlin: Proceedings of the First International Workshop on Mobile Agents, pp. 98 – 110.
31. Chinsnall, M. P. 2001. Marketing Research. London: The McGraw-Hill Companies. 32. Choi, H. A. et al. 1994. "Analytic Hierarchy Process: It Can Work for Group Decision
Support Systems". Computers and Industrial Engineering. Vol. 27. No. 1-4. 33. Cholawsky, E. M. 1988. "Beating the Prototype Blues". AI Expert. Vol. 3. No. 12,
pp. 42-49. 34. Chorafas, D. N. 1994. Chaos Theory in the Financial Markets. Chicago: Probus Publishing. 35. Chou, D. C. "Is the Internet the Global Information System?", http://www.decisionsciences.org 36. Cox, E. 1999 (September-October). "A Data Mining and Rule Discovery Approach to
Business Forecasting with Adaptive, Genetically-Tuned Fuzzy System Models". PC AI. 37. Crnković, J. 1999. "Elementi izgradnje informacionog sistema za strateško odlučivanje u e-
biznisu", Monografija: Strategija transformacije velikih preduzeća u uslovima globalizacije. Beograd: Ekonomski fakultet.
38. Crnković, J., Holstein, W. K. 1997. "Sistem za podršku odlučivanju strateškom menadžmentu". Monografija: Menadžment i strategije transformacije preduzeća. Beograd: Ekonomski fakultet,
39. Čančer, V. 2004. "Analysis procedure for environmentally oriented business decision-making". Osijek: Ekonomski fakultet. Ekonomski vjesnik.
40. Čerić, V. i sаr. 1998. Poslovno računarstvo. Zagreb: Znak. 41. Daft, R. L. 1992. Organization Theory and Design. Saint Paul: West Publishing Company. 42. David, B. S. 1991. "Principles for Case Representation in a Case-Based Aiding System for
Lesson Planning". In: Proceedings of the Workshop on Case-Based Reasoning. Washington. 8-10 May. (www.ai-cbr.org)
43. Davis, J. T. et al. 2001. "Predicting Direction Shifts on Canadian-Us Exchenge Rates with Artificial Neural Networks". International Journal of Intelligent Systems in Accounting, Finance and Management. Vol. 10, pp. 83-96.
44. Deng, P. S. and Tsacle, E. G. 2000. "Coupling Genetic Algorithm and Rule-Based Systems for Complex Decisions". Expert Systems with Applications. Vol. 19. No. 3, pp. 209-218.
45. Dejesus, E. 1995 (April). "Dimenzion of Data". Byte, pp. 139-148. 46. De Jong, K. A. 1975. "An Analysis of the Behavior of a Class of Genetic Adaptive Systems".
Dissertation Abstracts International. Oxford: University Microfilms. No. 76-9381. 47. Densham, P. et al. 1995. "Scientific Report for the Initiative", 17th Specialist Meeting.
Orono, Maine: National Center for Geographic Information and Analysis. 48. Douglas, S. i Craig, S. 2001. Globalna marketing strategija. Bеоgrаd: Poslovni sistem
Grmeč - Privredni pregled. 49. Doukidis, G. I. , Whitlea, E. 1988. Developing Expert Systems. Chartwell-Bratt. 50. Dubois, D. et al. 2003. "On the Representation of Fuzzy Rules in Terms of Crips Rules".
Information Sciences. Vol. 151, pp. 301-326. 51. Edwards, J. S. and Finlay, P. N. 1998. Decision Making with Computers, the Spreadsheet
and Beyond. London: Pitman Publishing. 52. Edwards, P. 1993. System Analysis and Design. London: McGraw-Hill. 53. Eremić, M. 2000. Istraživanje tržišta. Bеоgrаd: Ekonomski fakultet. 54. Eriksson, H. 1999 (June). "Expert Systems as Knowledge Servers". IEEE Expert. 55. Evans, J. 2003. "Strategijska uloga Interneta: marketinški pogled". Ekonomika preduzeća,
br. 1 - 2. 56. Fadlalla, A. and Lin, C. 2001. "An Analysis of the Applications of Neural Networks in
Finance". Interface. Vol. 31. No. 4, pp. 112-122. 57. Fasli, M. 2007. Agent Technology for e-Commerce. West Sussex: John Wiley & Sons.
303
58. Feigenbaum, E. 1982. Knowledge Engineering for the 1980's. Standford University. California: Department of Computer Science.
59. Feigenbaum, E., McCorduck, P. 1983. The Fifth Generation. Reading. MA: Addison-Wesley.
60. Festinger, L. A. 1962. A Theory of Cognitive Dissonance. Stanford University Press. 61. Filipović, V. i Kostić, M. 2001. Marketing menadžment, Teorija i praksa. Bеоgrаd: Fakultet
organizacionih nauka. 62. Fingar, P. 1998 (June). "A CEO's Guide to eCommerce Using Object-Oriented Intelligent
Agent Technology" (http://home1.gte.net/pfingar/eba.htm) 63. Forman, E. Decision by Objectives, http://www.expertchoice.com/dbo 64. Forman, E. Decision by Objectives. George Washington University.
http//www.expertchoice.com/dbo/pdf. 65. Forman, E. H. and Selly, M. A. 2001. Decision by Objectives. Singapore: World Scientific
Publishing Co. 66. Gejts, B. 2001. Poslovanje brzinom misli, Korišćenje digitalnog nervnog sistema. Nоvi Sаd:
Prometej. 67. Geoffrion, A. M. and Krishnan R. 2001. "Prospects for Operations Research in the
E-business Era". Interfaces, Vol. 31, No. 2, 6-36. 68. Geoffrion, A.M. and Krishnan R. 2001, "Prospects for operations research in the e-business
era". Interfaces, Vol. 31, No. 2. pp. 6-36. 69. Giarratano, J. and Riley, G. 1998. Expert Systems: Principles and Programming, 3rd
Edition. Boston: PWS Publishing Company. 70. Goldberg, D. E. 1989. Genetic Algorithms in Search, Optimization and Machine Learning.
New York: Addison-Wesley. 71. Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley. 72. Goodie, A. 2001 (September). "Paradoxical Betting on Items of High Confidence with Low
Value: The Effects of Control on Betting." Proceedings of the Annual Meeting of the Society for Judgment and Decision Making, Orlando, Fl.
73. Goonatilake, S., Trelaven, P. (editors). 1996. Intelligent Systems for Finance and Business. Chichester: John Wiley and Sons.
74. Greif, I. 1994 (July). "Desktop Agents in Group-Enabled Products". Communications ACm. 75. Griffin, Ricky W. 1990. Management, 3rd ed. Boston: Houghton-Mifflin. 76. Gruber, T. R. 1990. In the Foundation in Knowladge Acquisition. San Diego: Academic
Press, pp. 115-133. 77. Hail, M. 2002 (April 1). "Web Analytics: Get Real". Computer World, Vol. 36, No. 14. 78. Hall, J. A. 1995. Accounting Information Systems. St. Paul: West Publishing Company. 79. Hall, N. G. 1987. "A Fuzzy Decision Support System for Strategic Planning". Approximate
Reasonong in Intelligent Systems. Decision and Control. Oxford: Pergamon Press, pp. 77-90.
80. Hanić, H. 2003. Istraživanje tržišta i marketing informacioni sistemi. Beograd: Ekonomski fakultet.
81. Hanić, H. et al. 2003. Poslovni informacioni sistemi. Beograd: Čigoja štampa. 82. Hanić, H. i Krsmanović, S. 2002. Upravljački informacioni sistemi. Beograd: Ekonomski
fakultet. 83. Hanić, H. red. 1996. Leksikon poslovne informatike. Beograd: Ekonomski fakultet. 84. Hayes-Roth, F. 1984 (September). The Knowledge-Based Expert Systems: A Tutorial. IEEE
Computer. 85. Haykin, S. S. 1999. Neural Networks: A Comprehensive Foundation, 2nd Ed. Upper Saddle
River. NJ: Prentice Hall. 86. Holland, J. H. 1975. Adaptation in Natural and Artificial Systems. Michigan: University of
Michigan Press. 87. Holsapple, C. W. and Whinston, A. B. 1996. Decision Support Systems: A Knowledge-
Based Approach. Minneapolis/St. Paul: West Publishing Company.
304
88. Hoven, J. van den. 1996. (March-April). "Executive Support Systems & Decision Making". Journal of Systems Management, Vol. 47, No 2.
89. Howson, C. 2008. Successful Business Intelligence: Secrets to Making BI a Killer App. McGraw-Hill.
90. Hulbert, J. et al. 2003. Total Integrated Marketing. New York: Free Press. 91. Iz, P., Krajewski, L. 1992. "Comparative Evaluation of Three Interactive Multiobjective
Programming Techniques as Group Decision Support Tools". INFOR. Vol. 30. No. 4, pp. 349-363.
92. Imhoff, C. 2001 (May). "Power Up Your Enterprise Portal". e-Business Advisor. 93. James, W. 2003. "Upotreba Interneta u realizaciji istraživanja marketinga". Ekonomika
preduzeća 1 - 2. 94. Jeng, B. T. et al. 1996. "Interactive Induction for Knowladge Acquisition". Expert Systems
with Application. Vol. 10. No 3 and 4, pp. 393-401. 95. Jenkins, M. 2002. "Cognitive Maping". In Partington, D. (ed.). Essential Skills for
Management Research. Thousand Oaks. CA: Sage Publications. 96. Kaplan, S. and M. Sawhney. 2000 (May/June). "E-hubs: The New B2B Marketplaces".
Harvard Business Review 78, p. 97-100. 97. Katz, B. 1990. Managing Export Marketing. Gower Publishing. 98. Keskinocak, P. and Tayur, S. 2001. (March/April). "Quantitative Analysis for Internet-
Enabled Supply Chains". Interfaces, Vol. 31, No. 2, pp. 70-89. 99. Kim, K. and Han, I. 2003. "Application of Hybrid Algorithm and Neural Network Approach
in Activity-Based Costing". Expert Systems with Applications. Vol. 24. No. 1, pp. 73-77. 100. King, J. 2002 (April 22). "Back to Basics". Computer World. 101. Klein, G. A. 1990. "Knowledge Engineering: Beyond Expert Systems". Information and
Decision Technologies. No. 16, pp. 27-41. 102. Klein, M. and Leif, M. B. 1990. Expert Systems, a Decision Support Approach. New York:
Addison-Wesley Publishing Company. 103. Knoblock, G. A. and Ambite, J. L. "Agents for Information Gathering". Software Agents,
pp. 347-373. 104. Kolodner, J. L. 1993. Case-Based Reasoning. Morgan Kaufmann. (www.ai-cbr.org) 105. Kotler, P. 2001. Upravljanje marketingom. Analiza, planiranje, primjena i kontrola. Zagreb:
MATE. 106. Kotler, P. et al. 2002. Marketing Moves, A New Approach to Profits, Growth, and Renewal.
Boston: Harvard Business School Press. 107. Kotler, P. et al. 2003. Marketing Insights from A to Z. N.J.: John Wiley and Sons, Inc. 108. Krsmanović, S. i Mandić, D. 1997. Menadžment informacionih sistema. Beograd: Fakultet
za menadžment "Braća Karić". 109. Kuo, R. J. and Chen, C. A. 2003. "A Decision Support System for Order Selection in
Electronic Commerce Based on Fuzzy Neural Network Supported by Real-Coded Genetic Algorithm". Expert Systems with Applications.
110. Lam, S. S. Y. et al. 2000 (January). "Prediction and Optimization of a Ceramic Casting Proces Using a Hierarchical Hybrid System of Neural Networks and Fuzzy Logic". IIE Transaction. Vol. 32. No.1.
111. Langseth, J. and Vivatrat, N. 2002 (November). "Outward Bound". Intelligent Enterprise, Vol. 5, No. 18.
112. Laudon, K. C. and Laudon, J. P. 1991. Business Information Systems: A Problem-solving Approach. Orlando: The Dryden Press.
113. Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle River.
114. Laurel, B. 1997. "Interface Agents: Metaphors with Character". Software Agents, pp. 67-77.
115. Lee, P. Y. et al. 2002. "Neural Networks for Web Content Filtering". IEEE Intelligent Systems, pp. 48-57.
116. Lenat, D. B. 1982. "The Ubiquity of Discovery". Artificial Intelligence, Vol. 19, No. 2.
305
117. Lin, C . T. and Lee, C. S. G. 1996. Neural Fuzzy Systems. Prentice Hall. 118. Li, H. and Love, P. E. D. 1999 (March). "Combining Rule-Based Expert Systems and
Artificial Neural Networks for Mark-up Estimation". Construction Management and Economics. Vol. 17. No. 2.
119. Lu, H-P, Yu, H-J, Lu, S.S.K. 2001. "The Effects of Cognitive Style and Model Type on DSS Acceptance: An Empirical Study." European Journal of Operational Research.
120. Li, J. and Kwan, R. S. K. 2003. "A Fuzzy Genetic Algoritm for Driver Scheduling". European Journal of Operational Research. Vol. 147, pp. 334-344.
121. Lucas, C. H. Jr. 1997. Information Technology for Management. New York: McGraw-Hill. 122. Lummus, R. R. and Vokura, R. J. 2002 (January/June). "Making the Right E-Fulfillment
Decision". Production and Inventory Management Journal. 123. Maes, P. 1994 (July). "Agents that Reduce Work and Information Overload".
Communications ACM, pp. 31-40. 124. Maes, P. et al. 1999 (March). "Agents that Buy and Sell". Communications of the
ACM 42. No 3. 125. Malone, T. et al. 1991 (May). "Inteligent Information Sharing Systems". Communications
ACM, Vol. 30. 126. Mann, A. 2002 (February 11). "Risky Business". Columns (UGA Faculty Newsletter). 127. Mapleston, P. 1999 (August). "Real-Time Process Control is Said to Provide Perfect Shots".
Modern Plastics. Vol. 29. No. 8. 128. Marić, V. i Stojanović, D. 2003. Informacioni sistemi. Banja Luka: Ekonomski fakultet. 129. Matsatsinis, N. F. and Siskos, Y. 2003. Intelligent Support Systems for Marketing
Decisions. Dordrecht: Kluwer Academic Publishers Group. 130. Mayor, T. 2000 (October 1). "Red Light, Green Light".CIO. 131. McNurlin, B. C. and Sprague, R. H, Jr. 1998. Information Systems in Practice. 4th Edition.
London: Prentice-Hall International. 132. Mennecke, B. 1997. "Understanding the Role of Geographic Iinformation Technology in
Bussines: Applications and Research Directions". Journal of Geographic Information and Decision Analysis. Vol. 1, No. 1.
133. Miley, M. 1993 (April 19)."Agent Technology". MacWeek, pp. 41-44. 134. Moon, Y. B. et al. 1998 (March). "AEWS An Integrated Knowledge-Based System with
Neural Networks for Reliability Prediction." Computers in Industry. Vol. 35. No. 2. 135. Newel, A., Simon, H.A. 1972. Human Problem Solving. NJ: Prentice-Hall. Englewood. 136. Nick, Z. Z. and Themis, P. 2001 (March-April). "Web Search Using a Genetic Algoritm".
IEEE Internet Computing . Vol. 5. No. 2, pp. 18-26. 137. Ocken, V. (2002, September). "Making the Most of Online Databases", Marketing News,
Vol. 36, No. 20. 138. Pantazi, A. M. at al. 2001 (maj). "Business Plan Development for Electronic Business
Proces Re-Engineering". Beograd: Strategijski menadžment. 139. Papazoglou, M. 2001 (April). "Agent-Oriented Technology in Support of E-Business".
Communication of the ACM 44. No. 4. 140. Pаvličić, D. 2004. Tеоriја оdlučivаnjа. Bеоgrаd: Еkоnоmski fаkultеt. 141. Plunkett, W. R. and Attner, R. F. 1992. Introduction to Management. Boston: PWS-KENT
Publishing Company. 142. Poe, V., Klauer, P., Brobst, S. 1997. Building a Data Warehouse for Decision Support. New
Jersey: Prentice Hall PTR, Upper Saddle River. 143. Polanyi, M. 1958. Personal Knowledge. Chicago: University of Chicago Press 144. Poljić, M. 2004. Marketing u meñunarodnom smol biznisu. Brčko: Ekonomski fakultet. 145. Power, D. J. 2002. Decision Support Systems: Concepts and Resources for Managers.
Westport, CT: Quorum Books 146. Pyle, D. 1999. Data Preparation for Data Mining. San Francisko: Morgan Kaufmann
Publishers. 147. Pyles, M. 2002 (November). "A Fistful of Dollars: How Palm Increased Revenues 20
Percent". Costumer Relationship Management.
306
148. Qian, N. 1999. "On the Momentum Term in Gradient Descent Learning Algorithms". Neural Networks 12, pp. 145-151.
149. Quinlan, R. J. 1983. "In Machine Learning - An Artificial Intelligence Approach". Palo Alto: Tioga Publishing Co, pp. 463-482.
150. Radosavljević, G. 2001 (maj). "Sistem za podršku odlučivanju u funkciji strategijskog upravljanja". Beograd: Strategijski menadžment.
151. Radovanović, L. 2002. "Nove informacione tehnologije u poslovnom odlučivanju", magistarski rad, Beograd: Ekonomski fakultet.
152. Ragsdale, T. 1995. Spreadsheet Modeling and Decision Analysis. Cambridge: Course Tech., Inc.
153. Reedy, J. et al. 2000. Electronic Marketing, Integrating Electronic Resources into the Marketing Process. New York: The Dryden Press.
154. Robinson, M. 1991 (May). "Throut the Lens Smartly". Byte, pp. 177-187. 155. Rothrock, D. 2002 (September 30). "Decision Management Hits the Road", National
Underwriter, Vol. 106, No. 39. 156. Roy, B. 1990. "Decision Aid and Decision Making", European Journal of Operational
Research, vol. 45. 157. Sahai, A. et al.1997."Inteligent Agents for a Mobile Network Manager". Paris: Proceedings
of the IFIP/IEEE International Conference on Intelligent Networks and Intelligence in Networks.
158. Sanchez, E. and Zadeh, L. 1987. "Approximate Reasonong in Intelligent Systems". Decision and Control. Oxford: Pergamon Press, pp. 77-90.
159. Schur, S. 1994. The Database Factory: Active Database for Enterprise Computing. New York: Wiley.
160. Shin, K. S. and Lee, Y. J. 2002 (October). "A Genetic Algorithm Application in Bankruptcy Prediction Modelig". Expert Systems with Applications. Vol. 23. No. 3, pp. 321-328.
161. Simon, H. 1977. The New Science of Management Decision. Englewood Cliffs. NJ: Prentice Hall.
162. Smith, D. L. 1998 (December). "Implementing Real World Expert Systems". AI Expert. 163. Sodhi, M. 2001. "Applications and Opportunities for Operations Research in Internet-
enabled Supply Chains and Electronic Marketplaces". I, Vol. 31, No. 2, pp. 56-69. 164. Soldić-Aleksić, J. 1999 (januar-mart). "Pretraživanje podataka u savremenim poslovnim
informacionim sistemima". Ekonomski anali 140: 189-203. 165. Soldić-Aleksić, J. 1999. "A Neural Network Approach to Market Classification Problem: An
empirical example". Athens: 5th International Conference of Decision Science Institute/Integrating Technology and Human Decisions: 525-528.
166. Soldić-Aleksić, J. 1999. "How to Measure the Results of Intelligent Decision Support Methods?". Beograd: SYM-OP-IS '99, Zbornik radova: 41-45.
167. Soldić-Aleksić, J. 2000. "Neural Network Classifier: An empirical example". Utrecht: Proceedings in Computational Statistics - COMPSTAT 2000.
168. Soldić-Aleksić, J. 2000. "Uticaj razvoja informacione tehnologije na unapreñenje prognoza na finansijskom tržištu". Aranñelovac: Zbornik radova sa savetovanja Transformacija preduzeća i finansijska tržišta.
169. Soldić-Aleksić, J. 2001. Inteligentni sistemi za poslovno odlučivanje. Beograd: Ekonomski fakultet.
170. Sprague, R. H. Jr. and Watson, H. J. 1996. Decision Support for Management. N.J.: Prentice Hall, Upper Saddler River.
171. Sramó, A. 2001 (maj). "Decision Support Systems for Strategic Management". Beograd: Strategijski menadžment.
172. Srića, V. i Müller, J. 2001. Put k elektroničkom poslovanju. Zagreb: Sinergija. 173. Srića, V. i Spremić, M. 2000. Informacijskom tehnologijom do poslovnog uspjeha. Zagreb:
Sinergija. 174. Stankić, R. 2004. Poslovna informatika. Beograd: Ekonomski fakultet. 175. Stankić, R. 2005. Informatika. Brčko: Ekonomski fakultet.
307
176. Stankić, R. i Krsmanović, B. 2001. Elektronsko poslovanje. Bijeljina: Srpsko udruženje menadžera.
177. Stevanović, N. i Malinić, D. 2005. Upravljačko računovodstvo. Beograd: Ekonomski fakultet.
178. Tasić, V. Bauer, I. 1998. Rečnik kompjuterskih termina. Beograd: Mikro knjiga. 179. Tsatsoulis, K. and Soh, L.-K. 2000. “Intelligent Agents in Telecommunication Network”.
CRC Press. 180. Teale, M. et al. 2003. Management Decision-Making: Towards an Integrative Approach.
Harlow: Prentice Hall. 181. Todorović, J., ðuričin, D., Janošević, S. 1997. Strategijski menadžment. Beograd: Institut za
istraživanje tržišta. 182. Trepper, C. H. 2000 (August). "A Project Management Primer". Application Development
Trends. 183. Turban, E. and King, D. 2003. Introduction to E/Commerce. Upper Saddle River. NJ:
Prentice Hall. 184. Turban, E. et. al. 2002. Information Technology for Management, John Wiley and Sons, Inc. 185. Turban, E. et. al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson
Prentice Hall. 186. Van Bruggen, G., Wierenga, B. 2001. "Matching Management Support and Managerial
Problem-Solving Modes: The Key to Effective Decision Support." European Management Journal. Vol. 19. No. 3.
187. Veljović, A. 2001. Kompjuter i kvalitet, ISO 9000:2000 procesni pristup. Beograd: Savez inženjera i tehničara.
188. Vitiello, J. 2001 (July). "Fast Track into Management". Computer World. 189. Vujović, S. 2003. Bankarska informatika. Beograd: Univerzitet "Braća Karić". 190. Walker, A. 1996. Knowledge Systems: Principles and Practice. McGraw-Hill. 191. Wang, Y. 2003. "Using Genetic Algorithm Models to Solve Course Scheduling Problems".
Expert Systems with Applications. Vol. No. 1, pp. 39-50. 192. Watson, I. and Marir, F. 1994. "Case-Based Reasoning: A Review". The Knowledge
Engineering Review. Vol. 9. No. 4, pp. 327-354. (www.ai-cbr.org/classroom/cbr-review.html)
193. Wierenga, B. and Bruggen , van G. H. 2001 (June). "Developing a Costumized Decision-Support System for Brand Managers". Interfaces.
194. Westland, J. C. 2002 (May). "Transaction Risk in Electronic Commerce". Decision Support Systems.
195. Winston, P. H., Shellard, S.A. 1990. "Artificial Intelligence at MIT Expanding Frontiers". Vol. 1 and 2. Cambridge: MIT Press.
196. Wu, J. 2000 (February). "What is Business Inteligence?". DM Review. 197. Yang, J. B. 2002. "A Rule Induction-Based Knowledge System for Retaining Wall
Selection". Expert Systems with Applications. Vol. 23: 273-279. 198. Yemini, Y. 1993. "The OSI Network Management Model". IEEE Communication Magazine
31(5)
Web izvоri:
www.3G.web.decisions www.home1.gte.net/pfingar/eba.htm www.aaai.com www.hsbc.com www.acxiom.com www.hyperion.com www.agentlink.org www.ieee.edu www.ai-cbr.org www.intelligententeprise.com www.ai-cbr.org/tools/knowman.html www.intellix.com/industries/banking.html www.aim.com www.intellix.com/products www.alibaba.com www.is2000.org www.altavista.com www.isworld.com www.amazon.co.uk www.it.rit.edu/genjam.html
308
www.amazon.com www.jdedwards.com www.amol.com www.km-forum.org www.ask.com www.kmmag.com www.attar.com www.kmsurvey.londonweb.net www.autobytel.com www.knowledge.com www.autonomy.com www.learnbi.com/bi.htm www.baan.com www.logicnets.com www.banxia.com www.lotus.com www.bizrate.com www.lumina.com www.blackberry.net www.lycos.com www.blberza.com www.megaputer www.brint.com www.messenger.yahoo.com www.brio.com www.metakm.com. www.brsinc.com www.microsoft.com www.brs-inc.com www.microstrategy.com www.businessobjects.com www.minds.com www.calsci.com www.msn.com www.casebank.com www.ncr.com www.cidco.com www.neuralware.com www.cio.com www.neurosolutions.com www.cit.org.yu www.nike.com www.cognos.com www.oracle.com www.compare.net www.palisade.com www.creativethink.com www.palisade.com www.definitivesoftware.com www.databaseconcepts.net/datawarehousing www.pcai.com www.decisionsciences.org www.peoplesoft.com www.decision-support.net www.prenhall.com/turban www.dell.com www.ptc.com www.dmreview.com www.pwp.starnetic.com www.dssresources.com www.realtor.com www.dw-institute.org www.research.ed.asu.edu www.easyNN.com www.sap.com www.easynn.com/easynnplus.html www.sas.com www.egain.com www.sega.com www.egreetings.com www.siNo.net www.engr.washington.edu/edge/homemeeting.html www.spotfire.net www.epiphany.com www.Spotfire.net www.e-trgovina.co.yu www.supplychain.com www.expertchoice.com/dbo www.telcordia.com www.exsys.com www.temtec.com www.exsyssoftware.com/CORVID www.teradatauniversity.com www.faculty.fuqua.duke.edu www.teradatauniversitynetwork.com www.fairisaac.com www.tiger.cpsc.ucalgary.ca/WebGrid/WebGrid.html www.firepond.com www.timera.com www.freemarkets.com www.treeage.com www.geocites.com www.ubmail.ubalt.edu www.geog.uwo.ca/gimda/journal www.usaid.gov www.GO.com www.vanguardsw.com www.google.com www.wardsystems.com www.groove.net www.webmd.com www.groupsystems.com www.webtv.com www.half.com www.wellsfargo.com www.hav.com www.yahoo.com
309
Skraćenice i akronimi
Skraćenica/akronim Potun naziv Značenje
5GLs Fifth-Generation Languages
Jezici pete generacije
ADSL Asymetrical Digital Subscriber Line
Tehnologija za podršku visoke propusne moći preko konvencionalnih kablovskih linija koja omogućava pretplatnicima pristup multimedijalnim aplikacijama, kao što je video, po potrebi. ADSL-1 podržava protok informacija ka pretplatniku od 1,5 Mbps (Sjeverna Amerika) ili 2 Mbps (Evropa), a protok od korisnika od 64 Kbps. ASDL-2 podržava protok informacija od korisnika 6 Mbps (Sjeverna Amerika) ili 8 Mbps (Evropa) i kanal za prenos od korisnika 640 Kbps ( Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, Glossary, p. 485.) Danas su ovi kapaciteti znatno veći.
AHP Analytic Hierarchy Process
Analitičko-hijerarhijski proces odlučivanja omogućava donosiocima odluka da modeliraju složeni problem u hijerahijskoj strukturi koja pokazuje relacije izmeñu cilja, kriterija, podkriterija i alternativa (Forman, E. H. Decision by Objectives, George Washington University, http://mdm.gwu.edu/Forman/DBO.pdf)
AMEX American Stock and Options Exchange
Američka berza akcija i opcija
ASE American Stock Exchange
Američka berza akcija
B2B EC
Business-to-Business Elecronic Commerce
Elektronska prodaja roba i usluga izmeñu poslovnih sistema
BA Business Analytics
Poslovna analitika. Primjena modela direktno na poslovne podatke.
BI Business Intelligence
Poslovna inteligencija. Poslovno obavještavanje.
BIS Business Intelligence System
Poslovni inteligentni sistem
BN Backbone Network
Široka centralna mreža koja povezuje sve terminale, mikroračunare, mainframe računare, LAN i drugu komunikacionu opremu u kompaniji. Drugi naziv za BN jeste CAN (Campus Area Network) (Stankić, R., Krsmanović, B. 2001. Elektronsko poslovanje. Bijeljina: Srpsko udruženje menadžera, str. 38.)
bots robots
Inteligentni softverski agenti; skraćenica od robot(i); obično se ovaj termin upotrebljava kao dio drugog termina, na primjer, knowbots (agenti znanja), softbots (softverski agenti) ili shopbots (agenti prodaje) (Turban et al. 2005.Decision Support Systems and Intelligent Systems. N.J.: Pearson Education, Inc., Upper Saddle River, Glossary, p. 849.)
CAN Campus Area Network
Drugi naziv za BN (Backbone Network) (Stankić, R., Krsmanović, B. 2001. Elektronsko poslovanje. Bijeljina: Srpsko udruženje menadžera, str. 38.)
310
CAPI Computer-Assisted Personal Interviewing
Lični intervju pomoću računara
CASE
Computer Aided [Assisted] Software [Systems] Engineering
Skup automatizovanih alata za razvoj softvera i projektovanje sistema
CBR Case-based reasoning
Rezonovanje zasnovano na slučajevima
CBR-PEB
Case-Based Reasoning Product Experience Base
Baza iskustva o proizvodima rezonovanja zasnovanog na slučajevima
CDSS Consumer Decision Support System
Sistem podrške kupcu pri odlučivanju
CF Confidence Factor
Faktor pouzdanosti (FP)
CGI Common Gateway Interface
Zajednička mrežna veza, program za slanje podataka izmeñu više Web servera
CRM Customer Relationship Management
Upravljanje (menadžment) odnosima s kupcima
CSCW
Computer-Supported Cooperative Work
Kooperativni rad podržan računarom
DCE Data Communications Equipment
Oprema koja obezbjeñuje interfejs izmeñu DTE i transmisionih kanala i koja uspostavlja, održava i prekida vezu izmeñu DTE i transmisionih kanala i odgovorna je za bezbjeñivanje da signal koji dolazi iz DTE bude kompatibilan sa zahtjevima kanala za prenos (Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, Glossary, p. 500.)
DL Distance learning Učenje na daljinu
DPS Data Processing Systems
Sistemi za obradu podataka
DSS Decision Support Systems
Sistemi podrške odlučivanju
DTE Data-Terminating Equipment
Oprema koja prenosi podatke izmeñu dva čvora bez grešaka i čija je glavna namjena da šalje i prima informacije i da izvršava kontrolu grešaka. DTE obično podržava aplikacione programe krajnjeg korisnika, datoteke i baze podataka (Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, Glossary, p. 504.)
DM Data mart Spremište podataka (po obimu manje od skladišta podataka). Odnosi se na specifični segment, npr. marketing, prodaju i sl.
DW Data warehouse Skladište podataka
311
eCRM
Electronic Customer Relationship Management
CRM koji se odvija elektronski
EDI Electronic Data Interchange
Elektronska razmjena podataka
EDM Electronic Document Management
Metoda elektronske obrade dokumenata koja obuhvata prikupljanje, memorisanje, pretraživanje i predstavljanje dokumenata
EIS Executive Information Systems
Informacioni sistemi za izvršne menadžere
EIS
Enterprise Information Systems/ Executive Information Systems
Informacioni sistemi preduzeća. Sistemi za izvršno (strateško) upravljanje. Informacioni sistemi za izvršne menadžere.
EMS Electronic Meeting Systems
Sistemi elektronskih sastanaka
ES Expert Systems Ekspertni sistemi
ESS Executive Support Systems
Sistemi podrške izvršnim menadžerima
ETL Extraction, Transformation Loading.
Proces ekstrakcije, prenosa i punjenja podataka u sistemu data warehouse
ETS Expertise Transfer System
Sistem za prenos ekspertize
FAQs Frequently Asked Questions
Najčešće postavljena pitanja
FAST Financial Analysis Support Technologies
Tehnologije za podršku finansijskoj analizi
GDSS Group Decision Support System
Sistem za podršku grupnom odlučivanju
GIS Geographic Information System
Geografski informacioni sistem
GSP General Problem Solver
Opšti rješavač problema
GSS Group Support Systems
Sistemi za podršku rada u grupi
HAN Home Area Network
Širokopojasna mreža u modernoj kući koja povezuje različite „pametne“ ureñaje (Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, Glossary, p. 512.)
HTML HyperText Markup Language
Jezik za formiranje hipertekstualnih dokumenta koji čine World Wide Web (Tasić, V. Bauer, I. 1998. Rečnik kompjuterskih termina. Beograd: Mikro knjiga, str. 178.)
IEEE
Institute of Electrical and Electronics Engineers, Inc.
Institut elektrotehničara i elektronskih inženjera − vodeća svjetska profesionalna asocijacija za unapreñivanje tehnologije (www.ieee.org)
312
IRC Internet Relay Chat
Prenos razgovora preko Interneta. Mreža servera koja omogućava žive diskusije izmeñu više učesnika u cijelom svijetu.
ISDN Integrated Services Digital Network
Meñunarodni standard za prenos govora, videa, slika i podataka za podršku širokog opsega usluga preko javnih telefonskih linija (Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle River, p. 192.)
ITU International Telecommunica- tion Union
Meñunarodna telekomunikaciona unija - Telekomunikaciona agencija Ujedinjenih nacija koja je ustanovljena da bi obezbijedila standardne komunikacione procedure i praksu uključujući alokaciju frekvencija i radio regulaciju širom svijeta (Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, Glossary, p. 520.)
KDS Knowledge Delivery System
Sistem za isporuku znanja
KMS Knowledge Management Systems
Sistemi za upravljanje znanjem
KWS Knowledge Work Systems
Sistemi za obradu znanja i vještina
LAN Local Area Network
Lokalna računarska mreža
LISP LISt Processing
Funkcionalni viši programski jezik treće generacije pripremljen da podržava širok spektar napora za poslove istraživanja na području vještačke inteligencije. Namijenjen je za rad sa nizovima simbola koji se javljaju pri programiranju sistema zaključivanja i drugih primjena u ekspertnim sistemima (Hanić, H. red. 1996. Leksikon poslovne informatike. Beograd: Ekonomski fakultet, str. 176-178.)
MAN Metropolitan Area Network
Računarska mreža unutar jedne geografske oblasti koja, obično, obuhvata grad ili državu, ali može da povezuje računare unutar šire gradske oblasti (Stankić, R., Krsmanović, B. 2001. Elektronsko poslovanje. Bijeljina: Srpsko udruženje menadžera, str. 38.)
MAS Multiagent systems
Sistemi sastavljeni od više, najčešće inteligentnih, agenata
MCDA Multiple Criteria Decision Analysis
Višekriterijumska analiza odlučivanja
m-commerce
mobile commerce
M-trgovina, mobilna trgovina; korišćenje bežičnim ureñajima, kao što su mobilni telefoni ili priručna digitalna informaciona sredstva, za upravljanje transakcijama elektronske trgovine preko Interneta (Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle River, p. 111)
MIS
1. Management Information Systems
2. Management Information Services
1. Upravljački (menadžment) informacioni sistemi 2. Servisi za upravljanje informacijama
MSS Management Support System
Menadžment (upravljački) sistem podrške. Sistem podrške menadžmentu.
O-A-V Object-Attribute-Value
Predstavljanje znanja pomoću tripleta (trojke ili trijade) objekat- atribut-vrijednost.
313
OLAP On-Line Analytical Processing
Direktna (on-line) analitička obrada
OPS Open Profiling Standard
Predloženi standard za kontrolu ličnih informacija korisnika koje on postavlja na Web lokacije
OSI Open Systems Interconnection
Model upravljanja mrežom koji je kreirala Meñunarodna organizacija za standarde (ISO) da bi razvila standarde za mrežne podatke kako bi se olakšalo meñusobno povezivanje i funkcionisanje opreme nabavljene od različitih dobavljača.
PDA Personal Digital Assistant
Bežični personalni digitalni asistent u obliku malog pomoćnog računara, nalik na hemijsku olovku s ugrañenim bežičnim telekomunikacionim ureñajem i sa potpuno digitalnim komunikacionim prenosom (Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle River, p. 268.)
PDN Public Data Network
Mreža koja se koristi paketnim komutiranim prenosom i koja je projektovana da bi obezbijedila prenos podataka sa niskom stopom greške (Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, Glossary, p. 536)
PROLOG PROgramming LOGic
Logički, neproceduralni programski jezik u kome se, za razliku od proceduralnih jezika, navodi šta treba da se uradi, a ne kako da se uradi. Programiranje u PROLOGU sastoji se od evidentiranja znanja o sistemu i provjere nedovoljno provjerenih podataka u odnosu na znanje o sistemu. Znanje se može definisati u obliku činjenica i u obliku pravila. Činjenicama se definišu istiniti sudovi koji ne zavise ni od jedne promjenljive, dok se pravilima dovode u vezu vrijednosti promjenljivih. (Hanić,H., red. 1996. Leksikon poslovne informatike. Beograd: Ekonomski fakultet, str. 179.)
SCP Service Control Point
Centralizovani čvor koji sadrži uslužnu logiku upravljanja pozivom
SDLC
Systems (or Software) Development Life Cycle
Model upravljanja projektima kojim se opisuju faze uključene u projekte razvoja informacionih sistema, od inicijalne studije izvodljivosti do održavanja konačne aplikacije.
SDSS Spatial Decision Support System
Prostorni sistem podrške odlučivanju
shopbots shopping bots
Agenti prodaje, softver s različitim nivoima ugrañene inteligencije za pomoć kupcima u elektronskoj trgovini da pronañu i ocijene proizvode ili usluge koje žele da kupe (Laudon, K. C. and Laudon, J. P. 2002. Management Information Systems. N.J.: Prentice-Hall, Upper Saddle River, p. 274)
softbots intelligent software robots
Softverski agenti sa mogućnošću učenja (Turban et al. 2005. Decision Support Systems and Intelligent Systems. N.J.: Pearson Education, Inc., Upper Saddle River, Glossary, p. 862.)
SOUL Self-Optimising Universal Learner
Univerzalni učenik sa samooptimiziranjem
SRI Stanford Research Institute
Istraživački institut u Stanfordu
SS7 Signalling System 7
Telekomunikacioni protokol koji je definisala Meñunarodna telekomunikaciona unija (ITU) kao način rasterećivanja pretrpanosti prenosa podataka u tradicionalnom javnom telefonskom sistemu prema bežičnoj ili žičanoj širokopojasnoj
314
digitalnoj mreži. SS7 arhitektura je postavljena na način da svaki čvor može da razmjenjuje signale ne samo izmeñu telefonskih centrala koje su direktno povezane već i sa bilo kojim drugim mogućim SS7 čvorom (Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, Glossary, p. 548)
TPS Transaction Processing Systems
Sistemi za obradu transakcija. Ovi sistemi češće se nazivaju sistemi za obradu podataka (DPS).
UML Universal Modeling Language
Univerzalni jezik modeliranja
URL Uniform Resource Locator
Jednoobrazna identifikacija resursa. Adresa resursa na Internetu. (Turban et al. 2005.Decision Support Systems and Intelligent Systems. N.J.: Pearson Education, Inc., Upper Saddle River, Glossary, p. 862.)
USAID
United States Agency for International Development
Američka agencija za meñunarodni razvoj; http://www.usaid.gov/
VAN Value-Added Networks
Mreže sa dodatom vrijednosšću; telekomunikacione usluge koje se vrše preko privatnih ili javnih mreža koje u nekim slučajevima dodaju vrijednost osnovnoj vrijednosti, obično aplikacijama računarske inteligencije, na primjer, rezervacioni sistemi, oglasne table, informacioni servisi (Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, Glossary, p. 556.)
W3C World Wide Web Consortium
Web konzorcijum Meñunarodni koncorcijum za promovisanje standarda za unapreñenje Interneta i WWW proizvoda kako bi se u potpunosti realizovali potencijali Interneta. Njegovi proizvodi su besplatni.
WAN Wide Area Network
Računarska mreža koja obuhvata široku oblast i čiji čvorovi (mikroračunari) mogu da povežu gradove ili države (Stankić, R., Krsmanović, B. 2001. Elektronsko poslovanje. Bijeljina: Srpsko udruženje menadžera, str. 38.).
WAP Wireless Application Protocol
Protokol za prenos informacija sa Internata tako da mogu da budu prikazane na malom ekranu mobilnog telefona ili drugog prenosnog ureñaja (Goleniewski, L. 2003. Telecommunications Essentials. Boston: Addison-Wesley, Glossary, 559.)
WIS Web Information System
Mrežni informacioni sistem. Informacioni sistem koji se koristi mrežom.
WML Wireless Markup Language
Markup jezici koji se upotrebljavaju u WAP okruženju
XML eXtensible Markup Language
Proširivi jezik za označavanje (markup) tekstualnih dokumenata
315
Prilozi Prilog 1. Skraćeni finansijski izvještaji Preduzeće: ATMK
Skraćeni bilans stanja 2006 2005
Aktiva
Stalna imovina 582.625 613.301
Tekuća imovina 580.467 601.417
Gotovina i ekvivalenti 35.180 42.526
Poslovna aktiva 1.163.092 1.214.718
Pasiva
Kapital 807.036 800.436
Osnovni kapital 1.874.766 1.874.765
Nerasporeñeni dobitak 10.219 3.620
Kratkoročne obaveze 356.056 414.282
Poslovna pasiva 1.163.092 1.214.718
Skraćeni bilans uspjeha 2006 2005
Prihod 245.486 163.355
EBITDA 31.316 22.620
Amortizacija 10.515 21.693
EBIT 20.801 927
Neto finansijski rezultat -14.201 51
Dobitak prije poreza 6.600 978
Porezi iz dobitka 0 0
Neto dobitak 6.600 978
Prosječan broj zaposlenih 17 19
Prihod po zaposlenom 14.440 8.598
Finansijski pokazatelji
Neto dobitak po akciji (EPS) 0,00351626
Tržina cijena akcije / neto dobitak po akciji (P/E)
68,25429
Dividenda po akciji 0
Racio plaćanja dividende 0
Dividendna stopa 0
Knjigovodstvena vrijednost po akciji
0,42996
Odnos tržišne i knjigovodstvene cijene
0,55819
Tržišna kapitalizacija 450.478
Prinos na aktivu (ROA) 0,56745%
Prinos na kapital (ROE) 0,81781%
Neto marža 2,68854%
EBITDA marža 12,75674%
316
Prilog 2. Bilans stanja Preduzeće: BNPT
Pozicija Bruto tekuća (u KM)
Ispravka vrijednosti
(u KM)
Neto tekuća (u KM)
Neto prethodna
(u KM)
B. STALNA IMOVINA 19.961.514 12.166.083 7.795.431 7.674.728 I NEMATERIJALNA ULAGANJA 1.592.836 5. Druga nematerijalna ulaganja 1.592.836 II OSNOVNA SREDSTVA 19.787.437 12.166.083 7.621.354 5.916.366 1. Zemljišta, šume i višegodišnji zasadi 1.517.066 1.517.066 2. Grañevinski objekti 2.848.322 358.530 2.489.792 2.525.035 3. Oprema 15.403.442 11.794.560 3.608.882 3.383.822 4. Alat i inventar 18.607 12.993 5.614 7.509 III DUGOROČNI FINANSIJSKI PLASMANI 174.077 174.077 165.526 2. Učešća u kapitalu drugih pravnih lica 46.900 46.900 46.900 4.Ostali dugoročni krediti 127.177 127.177 118.626 VI TEKUĆA IMOVINA 5.615.940 789.982 4.825.958 3.688.796 I ZALIHE, STALNA SREDSTVA NAMIJENJENA OTUðENJU I DATI AVANSI
628.242 628.242 614.553
1. Materijal 529.586 529.586 596.173 6. Dati avansi 98.656 98.656 18.380 II KRATKOROČNA POTRAŽIVANJA I PLASMANI 4.910.336 789.982 4.120.354 1.806.986 1. Kratkoročna potraživanja 4.910.336 789.982 4.120.354 1.806.986 b) Ostali kupci 4.758.028 789.982 3.968.046 1.805.358 g) Druga potraživanja 152.308 152.308 1.628 III GOTOVINA I EKVIVALENTI 77.362 77.362 1.267.257 2. Gotovina 77.362 77.362 1.267.257 D. POSLOVNA IMOVINA 25.577.454 12.956.065 12.621.389 11.363.524 E. POSLOVNA AKTIVA 25.577.454 12.956.065 12.621.389 11.363.524 A. KAPITAL 7.344.181 7.489.515 I OSNOVNI KAPITAL 3.500.822 3.500.822 1. Akcijski kapital - obične akcije 3.500.822 3.500.822 III REVALORIZACIONE REZERVE 880.222 880.222 IV REZERVE IZ DOBITKA 33.353 25.377 1. Zakonske rezerve 33.353 25.377 V DRUGE REZERVE 1.535.935 1.535.935 VI NERASPOREðENI DOBITAK 1.393.849 1.547.159 1. Nerasporeñeni dobitak iz ranijih godina 1.387.639 1.547.159 2. Nerasporeñeni dobitak tekuće godine 6.210 B. DUGOROČNA REZERVISANJA 146.444 V Ostala dugoročna rezervisanja 146.444 V. OBAVEZE 5.272.906 3.723.389 I DUGOROČNE OBAVEZE 1.486.408 952.157 4. Dugoročni krediti 705.553 952.157 7. Ostale dugoročne obaveze 780.855 III Kratkoročne obaveze 3.786.498 2.771.232 2. Ostali kratkoročni krediti 100.000 5. Primljeni avansi, depoziti i kaucije 179.578 65.385 7. Ostali dobavljači 2.619.683 1.907.987 9. Obaveze iz specifičnih poslova 553 10. Obaveze za zarade i naknade zarada 98.850 88.541 11. Obaveze za poreze, doprinose i druge dažbine 433.389 426.592 12. Druge obaveze 354.998 282.174 G. PASIVNA VREMENSKA RAZGRANIČENJA 4.302 4.176 ð. POSLOVNA PASIVA 12.621.389 11.363.524
317
Prilog 3. Bilans uspjeha Preduzeće: FRUK
Pozicija Bruto tekuća (u KM)
Ispravka vrijednosti
(u KM)
Neto tekuća (u KM)
Neto prethodna
(u KM)
A. PRIHODI I RASHODI IZ REDOVNOG POSLOVANJA 4.930.049 4.322.951 1. Prihodi od prodaje robe 583.660 8.922 a) Prihodi od prodaje robe povezanim pravnim licima 583.660 8.922 2. Prihodi od prodaje proizvoda i usluga 4.122.571 4.371.546 b) Prihodi od prodaje proizvoda i usluga na domaćem tržištu 4.122.571 4.371.546 3. Efekti promjena vrijed. biolo.imovine i aktiviranja učinaka 26.142 48.037 4. Prihodi od premija, subvencija, dotacija i sl. 83.688 109.329 6. Povećanje vrijednosti zaliha učinaka 113.988 7. Smanjenje vrijednosti zaliha učinaka 214.883 II RASHODI REDOVNE DJELATNOSTI 5.171.215 4.732.952 1. Nabavna vrijednost prodate robe 403.188 363.816 2. Troškovi materijala za izradu 2.220.377 1.647.377 3. Troškovi ostalog materijala 94.745 66.588 4. Troškovi goriva i energije 281.419 309.963 5. Troškovi zarada, naknada zarada i ostali lični rashodi 1.155.950 1.375.386 a) Troškovi bruto zarada i bruto naknada zarada 1.066.234 1.305.884 b) Ostali lični rashodi 89.716 69.502 6. Troškovi proizvodnih usluga 477.318 271.572 7. Tročkovi amortizacije 150.406 150.406 9. Nematerijalni troškovi (osim poreza i doprinosa) 331.976 471.025 10. Troškovi poreza 55.836 76.819 III OSTALI PRIHODI 691.490 1.489.959 1. Dobici od prodaje osn. sredstava i nemater. ulaganja 2.815 1.200 3. Dobici od prodaje materijala 94 6. Prihodi od smanjenja obaveza 656.654 1.420.413 9. Nepomenuti ostali prihodi 31.927 68.346 IV OSTALI RASHODI 111.931 443.711 4. Gubici od prodaje materijala 93.525 6. Otpisi obrtnih sredstava 12.946 94.758 9. Nepomenuti ostali rashodi 98.985 255.428 V DOBITAK IZ REDOVNOG POSLOVANJA 338.393 636.247 B. FINANSIJSKI PRIHODI I RASHODI 260.345 3.873 1. Finansijski prihodi od povezanih pravnih lica 251.845 2. Prihodi od kamata 5.077 1.154 3. Pozitivne kursne razlike 351 2.013 5. Ostali finansijski prihodi 3.072 706 II FINANSIJSKI RASHODI 580.117 598.036 2. Rashodi kamata 577.362 597.622 3. Negativne kursne razlike 2.755 368 6. Ostali finansijski rashodi 46 IV GUBITAK FINANSIRANJA 319.772 594.163 G. BRUTO REZULTAT I BRUTO DOBITAK 18.621 42.084 ð. NETO REZULTAT I NETO DOBITAK 18.621 42.084 E. UKUPNI PRIHODI 5.881.884 5.816.783 Ž. UKUPNI RASHODI 5.863.263 5.774.699 Prosječni broj zaposlenih u periodu na osnovu sati rada 145 155 Prosječni broj zaposlenih na osnovu stanja na kraju mjeseca 142 155