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