Podnikové informační systémy Manažerské IS a řízení znalostí Prof. Ing. Zdeněk Molnár, CSc Ústav řízení a ekonomiky podniku MOLNAR@FSIH.CVUT.CZ Prof. Molnár

Motto Objem všech dat na světě se zdvojnásobí zhruba každé 2 roky, přičemž výraznou měrou se na tomto exponenciálním růstu podílejí podniky. Problém dnes není data shromážďovat a uchovávat, ale organizovat takovým způsobem, aby byla rychle a snadno k dispozici. Prof. Molnár

Transakční systémy - operační data Úloha MIS Požadují se : - trendy - souvislosti - struktury - what-if - flexibilita Model chování systému MIS/EIS Požaduje se: - rychlost odezvy - kapacita - integrita dat - konsistence dat Model stavu systému Transakční systémy - operační data Prof. Molnár

Datový sklad (Data Warehouse – DW) Datový sklad definujeme jako databázi, která je organizována tak, aby sloužila jako univerzální úložiště všech potenciálně užitečných dat. Data jsou organizována předmětně (náklady, prodeje a pod) a s každým záznamem je držena informace o čase, kdy byl do datového skladu přidán tj. je sledována jeho historie (Dohnal, Pour) Veškeré změny v databázi (aktualizace) probíhají dávkově (Batch Processing - nejčastěji v noci), zatímco uživatel spouští nad datovým skladem různé analytické (často velmi složit) dotazy v reálném čase (OLAP – On Line Analytical Processing) Prof. Molnár

DW se často používají jako systémy spojení dat pocházejících z různých transakčních (operačních) systémů (tzv. základní systémy) DataWarehouse Externí data Externí data Datová pumpa (Staging Area) odbyt zásobování výroba ekonomika Prof. Molnár

Účelem DW je vytvoření konsistentních informací potřebných pro taktické a strategické rozhodování v různých oblastech podniku. Za tím účelem se budují DataMarkt(s) „datová tržiště“, která obsahují vybrané dimenze a fakta, která bývají „předzpracována“ tak, aby podporovala určitou tématickou oblast DataMarkt Finance DataMarkt Marketing DataMarkt Personalistika DataWarehouse Prof. Molnár

Relační databáze (operační data) Relační databáze (operační data) Multidimensionální databáze Datová pumpa Relační databáze (operační data) Relační databáze (operační data) Prof. Molnár

Požadavky na funkčnost DW (1) Dostupnost, tj.DW musí být k dispozici uživatelům „neustále“. (Tento požadavek do jisté míry omezuje dobu, po kterou může být DW aktualizován) Aktuálnost, tj. DW by měl obsahovat co možná „nejčerstvější“ data z produkčních systémů. (Obyčejně je aktualizace DW aktualizován v noci, protože jde o proces, kdy HW je zatížen na maximum.) Odezva, tj. interaktivní zodpovídání rozmanitých analytických dotazů (OLAP) v „rozumné“ době (maximálně 3 minuty) i při značně rozsáhlých DW (až desítky GB) Prof. Molnár

Požadavky na funkčnost DW (2) Čistota (kvalita) dat, tj. jeden z fundamentálních požadavků (GIGO). Jde zejména o konsistenci „stejných“ dat vyskytujících se v různých produkčních systémů, jejich referenční a doménovou integritu. Právě zde vystupuje do popředí požadavek jasně definovaného datového modelu vybudování metainformačního systému (metadata – slovník a adresář) To je úkol zejména pro základní komponentu DW tj. program označovaný jako ETL (extraction, transformation, loading). Tato aplikace „sbírá“ data ze všech dostupných systémů, provádí jejich konsolidaci (čištění) a jejich následné nahrání do databáze DW. Prof. Molnár

Multidimensionální databáze MIS pracuje na principu n-rozměrné Rubikovy kostky vytváření uživatelských řezů (výběrů) nabíjení Transakční databáze Prof. Molnár

Analýza segmentů trhu OBOR SKUPINA ZÁKAZNÍKŮ REGION sever jih východ Obchodní domy Velkoobchod Maloobchod Sklo Keramika Plasty Ve druhém způsobu analýzy hospodářského výsledku se používá metoda nákladů na obrat, v níž se výsledky jednotlivých produktů srovnávají s vlastními náklady těchto výrobků. Změna hospodářského výsledku se tak projeví již při fakturaci ohodnocenou standardní kalkulací produktu. Výkaz ziskovosti je možno vytvořit jen tehdy, když dojde k obratům. V systému se nejprve definují tzv. atributy a množiny přípustných hodnot, jichž mohou nabývat. Mohou se použít buď atributy systémové nebo uživatelské. Příkladem atributu a jeho hodnot může například být: - “region” s hodnotami: sever, východ, západ, jih, Praha, Morava, - “skupina zákazníků“ s hodnotami: maloobchod, velkoobchod, obchodní domy, - “obor” s hodnotami: sklo, keramika, plasty, kovy, apod. Hodnoty atributů lze navzájem od sebe odvozovat. Při pořizování nákladů a výnosů je pak možné tyto hodnoty nechat systémem automaticky odvodit (tam, kde je to možné), případně ručně zadat. Objekt hospodářského výsledku pak vzniká kombinací hodnot definovaných atributů. Pro každý takový objekt si lze vyvolat výkaz ziskovosti. Dostáváme tak do rukou efektivní nástroj analýzy hospodářského výsledku například jednotlivých segmentů trhu a skupin produktů. V našem případě mohu třeba analyzovat ziskovost plastových výrobků prodaných do malobchodu v jižním regionu. OBOR Prof. Molnár 19

Analýza nákladů ČAS VÝROBEK STŘEDISKO NAKLADOVY DRUH S01 S02 S03 Materiál Mzdy Energie SU15 VOC25 NCU10 Ve druhém způsobu analýzy hospodářského výsledku se používá metoda nákladů na obrat, v níž se výsledky jednotlivých produktů srovnávají s vlastními náklady těchto výrobků. Změna hospodářského výsledku se tak projeví již při fakturaci ohodnocenou standardní kalkulací produktu. Výkaz ziskovosti je možno vytvořit jen tehdy, když dojde k obratům. V systému se nejprve definují tzv. atributy a množiny přípustných hodnot, jichž mohou nabývat. Mohou se použít buď atributy systémové nebo uživatelské. Příkladem atributu a jeho hodnot může například být: - “region” s hodnotami: sever, východ, západ, jih, Praha, Morava, - “skupina zákazníků“ s hodnotami: maloobchod, velkoobchod, obchodní domy, - “obor” s hodnotami: sklo, keramika, plasty, kovy, apod. Hodnoty atributů lze navzájem od sebe odvozovat. Při pořizování nákladů a výnosů je pak možné tyto hodnoty nechat systémem automaticky odvodit (tam, kde je to možné), případně ručně zadat. Objekt hospodářského výsledku pak vzniká kombinací hodnot definovaných atributů. Pro každý takový objekt si lze vyvolat výkaz ziskovosti. Dostáváme tak do rukou efektivní nástroj analýzy hospodářského výsledku například jednotlivých segmentů trhu a skupin produktů. V našem případě mohu třeba analyzovat ziskovost plastových výrobků prodaných do malobchodu v jižním regionu. VÝROBEK Prof. Molnár 19

Uživatelské vlastnosti MIS grafická a tabulková prezentace intuitivní ovládání panelů možnost detailních pohledů (drill-down) agregace a integrace dat multidimensionální řezy(slice and dice) víceuživatelský přístup diagnostika extrémních hodnot (alert) spouštění externích aplikací simulace (what-if) tiskové výstupy - Prof. Molnár

Prof. Molnár

Prof. Molnár

Postup budování MIS/DW (1) Identifikace problému (nejsložitější etapa) – projekt musí být podložen nějakým problémem, v důsledku jehož vyřešení se očekává přínos pro podnik. Vytvoření prototypu – identifikace určitého podproblému (například jenom problém sledování a vyhodnocování nákladů), jehož vyřešení nevyžaduje příliš mnoho úsilí, ale výsledek bude jasně naznačovat, jak bude vypadat cílový systém. Prototyp má dva efekty Koncovému uživateli jasně ukazuje jak bude vypadat výsledek a co lze od budovaného řešení očekávat Dává možnost řešiteli vyzkoušet si i ověřit své předpoklady a získat konkrétná zkušenosti z analýzy, návrhu a technické realizace prototypu včetně seznámení se s prostředím uživatele a navázání komunikace s budoucími uživateli Rozvinutí (roll-out) systému - postupné (step-by-step) rozšiřování řešení do dalších oblastí podnikového řízení. Prof. Molnár

Business/Competitive Intelligence je termín pro celou množinu konceptů a metodologií zlepšujících rozhodovací procesy v podnikání, které jsou založeny na - analýze faktů - odhalování souvislostí mezi nimi Na informace získané z různých zdrojů aplikujeme zkušenosti (znalosti) k získání předpovědi vývoje podnikání a ke zlepšení rozhodovacích procesů Prof. Molnár

Produkty podporující BI : Executive/Enterprise Information Systems (EIS) Management Support Systems (MSS) Decision Support Systems (DSS) Expert Systems (ES) On-Line Analytical Processing (OLAP) Data Mining Data Visualisation Knowledge management (KM) Prof. Molnár

Peter Drucker: Znalosti „Znalosti jsou dnes jediným smysluplným zdrojem. Tradiční „výrobní faktory“ - země (tj. přírodní zdroje), práce a kapitál nezmizí, ale stanou se druhotnými. Mohou být získávány a to navíc snadno, jen pokud máme potřebné znalosti“. Prof. Molnár

Data, informace a znalosti vzdělání zkušenosti data informace znalosti rozhodnutí (akce) Prof. Molnár

Vztah informací a znalostí Informace, to je jenom symbolický (v podobě slov, čísel, obrázků a pod.) popis nějaké akce, zatím co znalost je schopnost (dovednost, znalost) tuto akci provést Bez potřebných znalostí nejsme schopni určit hodnotu a význam informací. Prof. Molnár

Informaci tvoříme z dat několika způsoby účelovostí, tj. víme předem pro jaký účel data sbíráme, kategorizací, tj. rozlišováním jednotlivých sledovaných jevů podle určitých (účelových) kriterií výpočty tj. užíváním různých matematických a statistických metod zhušťováním (agregací) tj. data jsou agregována do stručnějších forem opravami, tj. odstraňováním (vylučováním) chybných dat Prof. Molnár

Z informací tvoříme znalosti srovnáváním (V čem se liší informace o dané situaci od informací o situacích, které již znám? odvozováním (Jaké důsledky má tato informace na moje rozhodnutí a akci?) spojováním (Jak souvisí tato informace s jinými?) komunikováním (Co si ostatní lidé myslí o této informaci?) Prof. Molnár

Knowledge Management Proces tvorby, zachycování a užívání znalostí za účelem zvýšení výkonnosti organizace (Bassi 1997) Jakýkoliv proces nebo postup tvorby, pořizování, zachycování, sdílení a užívání znalostí, kdekoliv se vyskytne za účelem zlepšení učení a výkonnosti organizace (Scarbrough 1999) Prof. Molnár

Knowledge Management znamená hledání odpovědí na otázky Jak identifikovat naše znalosti (naší kompetenci) jinými slovy co opravdu umíme dělat (Jinými slovy abychom věděli co všechno víme)? Jak tyto znalosti zachycovat (uchovávat), samozřejmě v digitalizované podobě? Jak tyto znalosti zlepšovat či rozšiřovat? Jak se zbavovat starých (neúčelných) znalostí? Jak šířit tyto znalosti sdílet s našimi zaměstnanci? Jak tyto znalosti užívat pro zvýšení naší konkurenceschopnosti, např. vyšší schopnost koordinace či flexibility našich procesů, které jsou nutné pro úspěšné zvládnutí turbulentní změny(viz dále)? Jak hodnotit (měřit) naše znalosti? Prof. Molnár

Typy znalostí explicitní skryté individuální kolektivní Formální (technická) zkušenost Pravidla, zákony, předpisy explicitní Intuice Moudrost a sociální praxe skryté individuální kolektivní Vzájemné prolínání Vývoj podporovaný KM Prof. Molnár

Konkurenceschopnost každé firmy je přímo úměrná její schopnosti reagovat na nečekané události ať už positivní, či negativní Bill Gates:Byznys rychlostí myšlenky proto si vybudujte takový IS, který umožní rozpoznat špatné zprávy kdekoli v organizaci a rychle je předat tam, kam je třeba rychle shromáždí potřebné informace vztahující se k vzniklému problému umožní rychle identifikovat pracovníky či celé organizace mající potřebné kompetence (znalosti) k řešení vzniklého problému Prof. Molnár