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