ms del iv - systemer for å håndtere kunnskap
DESCRIPTION
MS del IV - Systemer for å håndtere kunnskap. Del IV: Oversikt. kap. 11 - Beslutningsstøtte kap. 12 - Systemer for å understøtte gruppearbeid kap. 13 - Kunnskapsarbeid kap. 14 - Informasjonshåndtering. MS kap. 11 - Belslutningsstøttesystemer. Decision Support Systems (DSS) Data mining - PowerPoint PPT PresentationTRANSCRIPT
18.03.2003 11 1
MS del IV - Systemer for å håndtere kunnskap
18.03.2003 11 2
Del IV: Oversikt
kap. 11 - Beslutningsstøtte kap. 12 - Systemer for å
understøtte gruppearbeid kap. 13 - Kunnskapsarbeid kap. 14 - Informasjonshåndtering
18.03.2003 11 3
MS kap. 11 - Belslutningsstøttesystemer
Decision Support Systems (DSS) Data mining Executive Information Systems
(EIS) Expert Systems (ES)
18.03.2003 11 4
Systemer for beslutningstøtte
DBMS – Data base Management System
MBMS – Model Based Management System
DGMS – Dialog Generation and Management System
18.03.2003 11 5
Bakgrunn Fra beslutningssystemer til beslutningsstøtte Gi grunnlagsinformasjon for å kunne ta beslutninger:
Regnskapstall Salgstall Lagerbeholdning Innkjøpsdata osv.
Online prosesser gir mer informasjon, og bedre oppdatert informasjon
Gis i form av rapporter, tekst, tall, visualisering - statiske og dynamiske
og ved muligheter til å spørre systemet
18.03.2003 11 6
Case: Oshaug Metall
Enkle oversikter over ordre- og produksjonsdata
Fordelt på forskjellige tidsperioder I NOK og kg. Gir grunnlag for beslutninger
18.03.2003 11 7
Komponenter (”structual capital”)
Dialog Enkle spørrespråk (”Query-by-example”, visuell
spørring) Fleksibilitet i standardrapporter
Data Internt og eksternt Record og dokumentbasert ”Data mining”
Modeller Analysedelen (f.eks. gjennom matematiske modeller)
18.03.2003 11 8
Case: Oshaug Metall
Et sett av forskjellige rapporter Bruker velger datagrunnlag med å
oppgi datointervall og å krysse av sjekkbokser
I tillegg: En kompetent bruker kan lage sine egne spørringer med QBE systemet i Access.
18.03.2003 11 9
Problemer Analysemodellene er et problemområde:
Er modellen relevant for dagens situasjon? Er data tilgjengelig - i riktig form? Forstår brukerne hvordan den komplekse modeller
fungerer? Er brukerne klar over de begrensninger som gjelder? Forklarer modellen hvordan den arbeider?
I dag, mer vekt på å: framskaffe relevante data presentere disse på en måte slik at de gir informasjon for
brukerne (f.eks., alarmsystemer) brukerne tar beslutningene, ikke systemet
18.03.2003 11 10
”Data Warehousing” & ”Data mining” Data blir en viktig ressurs Data kan utnyttes bedre Eksempel: På norske universiteter og høgskoler bruker vi
store summer på å gi karakterer Karakterdataene lagres og tas ut for å lage vitnesbyrd Brukes bare i liten grad ellers
men her kunne vi tenke oss rapporter: for å fortelle faglærer bakgrunnen til årets studenter sammenligning mellom fag (gode kurs/dårlige kurs,
lette/vanskelige, snill/streng karaktersetting) sammenligne bakgrunn fra videreg. og karakterer på
universitetet (opptakssystemer, studieveiledning) osv.
18.03.2003 11 11
Case: DOE/OSTI studie Studerte artikkelsamlinger i en 30-års periode
innen fysikk Så på utvikling av språk, hvordan nye ord ble
innført, hvordan de fikk en spesialisering, etc. Eksempler:
Laser krypton laser/ion beam laser Det opprinnelige order ”Laser” fikk en stadig økene
bruksfrekvens, inntil det fikk en topp i 70-årene for så å bli brukt mindre og mindre (i de vitenskapelige artiklene)
Kort levetid for ord i slike ”sub språk”
18.03.2003 11 12
Case: Utnytte Web Heter det ”in the West Coast”, skal vi si ”on
…” eller kanskje bruke ”at”? Søker i Altavista
”on the west coast” gir 129.087 treff ”in the west coast” gir 7.271 treff (mange fra New
Zealand) ”at the west coast” gir 3.216 treff (fra Sverige,
Finland og mange andre land). Ofte brukt i annen sammenheng, f.eks. ”… at the West Coast Hotel”
Søkeord brukt på Web kan gi ideer til hva forbrukerne er interessert i akkurat nå
18.03.2003 11 13
”Data warehousing” Metadata (”data om data”), standardiserte elementer.
Høyt formaliseringsnivå for record-baserte data, lavere for dokument. XML kan være nyttig her.
Kvalitet. Problemer: Data er samlet inn for ett formål kan ikke alltid utnyttes for
ett annet Data kan være svært kontekstavhengig (f.eks. email) Data blir tolket forskjellig til forskjellig tid (eks.: penger og
inflasjon, karakterer, ..) Endringer (tall til bokstavkarakterer) Data blir representert på forskjellige måte (papir,
forskjellige elektroniske formater)
18.03.2003 11 14
Executive IS (EIS) Brukt til å gi:
Data om organisasjonen (salg, produksjon, fortjeneste, budsjetter…)
Intern kommunikasjon (organisering av personlig korrespondanse, rapporter, møter)
Data om omgivelsene (lovgiving, konkurrenter, teknologi,…) Funksjonalitet:
Tilgang til overordnede aggregerte tilstands (performance) data Visualisering Muligheter til analyse
Komplekse eller enkle systemer Mange bedrifter nøyer seg med å bruke regneark i
analysefasen
18.03.2003 11 15
EIS Når ting endrer seg raskt er det viktig å ha
oppdaterte, relevante data Gode datakilder er viktig Kunnskap om kilder og søking er viktig Det er sentralt å kunne bruke data fra
systemet sammen med annen, ofte ”mykere” informasjon
Systemet gir ikke løsningene, bare en del av de nødvendige grunnlagsdata
18.03.2003 11 16
Benyttes til:
Finansoversikt Markedsoversikt Salg Planlegging Personelloversikt
18.03.2003 11 17
Problematisk implementering
Noen gir opp Mange får problemer Viktig å ha en ”executive sponsor”,
en i ledelsen som er fast bestemt på at prosjektet skal lykkes
Viktig å ha gode data Og realistiske forventninger
18.03.2003 11 18
EIS systemet:
Fleksibelt (verden endrer seg) Godt brukergrensesnitt Gode vedlikeholdsrutiner Pålitelige systemer Kompatibelt med andre systemer
18.03.2003 11 19
Case: Regnskapssystem for Molde kommune
Kommuneregnskapet gir aggregerte tall, for generelle til å følge med i enkeltprosjekter
Poster identifisert med kontostreng, som gir informasjon om konto og detaljinformasjon
Tilleggsregnskap, som inkluderer: Egen database med detaljkontoer Oversikt over hvilke kontostrenger som inngår i hver
konto Delprosjektregnskap Data hentes fra det overordnede regnskapssystemet Innlegging av preliminære utgifter
18.03.2003 11 20
Case:Energiregnskapssystem Idé:
For å spare energi må en ha data om forbruk Et enkelt system for å gi oversikt
Systemet har: Alle virksomhetssteder Grunndata (areal m.m.) Energiforbruk (strøm, olje) Rapportering Analyse i forhold til temperatur
18.03.2003 11 21
Ekspertsystemer Dekkes i andre kurs (overfladisk her) Gjenskape menneskelig kunnskap og
beslutninger Stor interesse og stor innsats fra 60-tallet og
utover Mindre i dag (få/ingen suksesser) Teknologi:
En kunnskapsdatabase (ofte i form av regler eller som neurale nettverk)
En interferensmotor (som kan trekke slutninger) Et brukergrensesnitt
18.03.2003 11 22
Case: American Express Autorizer’s assistant Formål, å oppdage bedrageri 2600 regler Oppgave, å detektere tilfeller som kan være bedrageri Godt egnet:
Delvis åpen oppgave, ikke helt formalisert Ideen er mer å vise mulighet for bedrageri enn å detektere dette med 100%
sikkerhet I de tilfeller der det er et mulig bedrag kan mer data innhentes Understøtte mennesker
Problemer: Kan bli kostbart å nekte kortbruk, om det er en reell transaksjon utført av
en god kunde De fleste godkjenninger skjer i dag elektronisk og online, vanskelig å
involvere et menneske. Systemene må da bli sikrere. Ofte viser det seg at ekspertsystem virker bedre og blir enklere å
vedlikeholde om systemene formaliseres