Transcript Ekspertni sistemi prof. dr. Vladislav Rajkovič -mb.si 1

Ekspertni sistemi
prof. dr. Vladislav Rajkovič
http://lopes1.fov.uni-mb.si
1
Cilji
Študentje pri tem predmetu spoznajo:
 metode in tehnike umetne inteligence s posebnim
poudarkom na tehnologijah znanja in ekspertnih
sistemih
 kaj lahko in česa ne moremo pričakovati od
sodobnih tehnologij za upravljanje znanja v
poslovnem svetu
 zgradbo in delovanje ekspertnih sistemov
 postopke in orodja za razvoj poslovnih ekspertnih
sistemov
V.Rajkovič
2
Metoda dela

Predavanja

Izdelava seminarske naloge

Ustni izpit in zagovor seminarske naloge
V.Rajkovič
3
Literatura






ES 1/3
Krapež, A., Rajkovič, V., Tehnologije znanja pri predmetu
informatika, Zavod RS za šolstvo, 2003
Jereb, E., Bohanec, M., Rajkovič, V., DEXi – računalniški
program za večparametrsko odločanje, Moderna
organizacija, 2003
Rajkovič, V., Tim in sodobna informacijska tehnologija, v:
Mayer, J. (edt), Skrivnost ustvarjalnega tima, 2001, 90-102
Bratko, I., Prolog: Programming for Artificial Intelligence,
Addison-WEsley, 1999
Bratko, I., Mozetič, I., Lavrač, N., Kardio, MTI, 1989
Bohanec, M., Zupan, B., Rajkovič, V., Applications of
Qualitative Multi-attribute Decision Models in Health
Care, Int. Journal of Medical Informatics 58-59, 2000, 191V.Rajkovič
4
205
Literatura





ES 2/3
Beerel, A., Expert Systems in Business: Real world
applications, Ellis Horwood, 1993
Masuch, M., Warglien, M., (eds), Artificial intelligence in
organizational and management Theory, North-Holland,
1992
Jereb, E., Rajkovič, U., Rajkovič, V, A hierarhical multiattribute system approach to porsonnel selection,
International Journal of Selection and Assessment 13 (3):
198-205, 2005
Rajkovič, V., Šušteršič, O., Informacijski sistem patronažne
zdravstvene nege, Moderna organizacija, 2000
Quintas, P., Ray, T., Managing Knowledge: An Essential
Reader, Sage Publications, 2002
V.Rajkovič
5
Literatura





ES 3/3
Simon A. R., Shaffer S. L., Data Warehousing and Business
Intelligence for e-Commerce, Morgan Kaufmann, 2001
Baum E. B., What is thought?, MIT, 2004
različni avtorji, Data Mining: Next generation and Future
Directions, Ed: Kargupta H., Joshi A., Sivakumar K.,
Yesha Y., AAAI Press / MIT Press, 2004
Konar A., Computational Intelligence: Principles,
Techniques and Applications, Springer, 2005
Witten I. H., Frank E., Data Mining: Practical Machine
Learning Tools and Techniques, Morgan Kaufmann, 2005
V.Rajkovič
6
Ravni uporabe IKT
Intenzivna uporaba znanja.
Delamo stvari, ki jih do sedaj nismo.
Razbremenitev pri delu.
Računalniška pismenost.
V.Rajkovič
7
http://research.microsoft.com/towards2020science/downloads.htm
Znanje razumemo kot ustrezno organizirane
podatke oz. informacije za reševanje kakega
problema.
Upravljanje z znanjem (knowledge management) je
proces sinergetskega povezovanja med metodami
in tehnikami procesiranja podatkov in informacij s
sodobno informacijsko in telekomunikacijsko
tehnologijo
(ITKT)
in
ustvarjalnimi
ter
inovativnimi sposobnostmi človeka.
Gre za sprejemanje izzivov ITKT za povečanje
človekovih umskih sposobnosti za obvladovanje
problemov vse bolj kompleksnega sodobnega sveta.
V.Rajkovič
8
Umetna inteligenca (UI)
Je znanstvena disciplina, ki se ukvarja z
 metodami
 tehnikami
 orodji
 arhitekturami
 …
za reševanje logično zapletenih problemov,
ki bi jih bilo težko ali celo nemogoče rešiti s
klasičnimi metodami
V.Rajkovič
9
Cilji umetne inteligence
“inteligentno” obnašanje računalnikov
večja uporabnost računalnikov
proučevanje principov inteligence
boljše razumevanje človekovega
inteligentnega obnašanja
V.Rajkovič
10
Teme umetne inteligence:

Hevristično reševanje problemov

Predstavitev znanja in mehanizmi sklepanja
Ekspertni sistemi (ES)
Procesiranje naravnega jezika
Strojno učenje in sinteza znanja
Inteligentni roboti
Računalniški vid
Avtomatsko programiranje
Nevronske mreže
...








http://www.kurzweilai.net/meme/frame.html?main=/articles/art0683.html
V.Rajkovič
11
ROKA ROBOTA
KAMERA
položaj roke
motorji v
zglobih
Signali za krmiljenje
motorjev v zglobih
roke
položaj
kocke
RAČUNALNIK
V.Rajkovič
Slika iz kamere
12
vogal V1
9 cm
21 cm
6
6
6
4
3
3
3
3
3
6
6
6
5
3
3
3
3
3
6
6
6
6
3
3
3
3
3
6
6
6
6
4
3
3
3
3
6
6
6
6
5
3
3
3
3
6
6
6
6
6
3
3
3
3
2
2
2
2
2
3
3
3
3
2
2
2
2
1
3
3
3
3
2
2
2
2
1
3
3
3
3
2
2
2
2
1
3
3
3
3
2
2
2
1
1
3
3
3
3
V.Rajkovič
2
2
2
1
1
3
3
3
3
2
2
2
1
1
3
3
3
3
2
2
1
1
1
3
3
3
3
13
666666222222226666662222222266666622222221456666222211113334562111111133..
Kaj je ekspertni sistem?
UPORABNIK
KOMUNIKACIJSKI
VMESNIK
BAZA
ZNANJA
MEHANIZEM
SKLEPANJA
ES
V.Rajkovič
14
Baza znanja
(knowledge base)
del ES, ki vsebuje znanje izbrane
domene, npr.:
UPORABNIK
KOMUNIKACIJSKI
VMESNIK
BAZA
ZNANJA
MEHANIZEM
SKLEPANJA
ES
pravilo 1:
ČE avto noče vžgati,
POTEM je problem verjetno v električnem sistemu
pravilo 2:
ČE je problem verjetno v električnem sistemu
IN je napetost akumulatorja pod 10V,
POTEM je razlog prazen akumulator
V.Rajkovič
15
UPORABNIK
Mehanizmi sklepanja
(inference engine)
na osnovi baze znanja izvaja
sklepe o problemu, ki ga rešujemo
KOMUNIKACIJSKI
VMESNIK
BAZA
ZNANJA
MEHANIZEM
SKLEPANJA
ES
primer dialoga med ES in uporabnikom
UPORABNIK: Avto noče vžgati.
ES: Je napetost akumulatorja pod 10V?
UPORABNIK: Da, tako je.
ES: Napaka je prazen akumulator.
V.Rajkovič
16
UPORABNIK
Razlaga KAKO?
UPORABNIK: Kako?
ES: Ker avto noče vžgati,
domnevam, da je napaka
v električnem sistemu. Ko sem odkril, da je
napetost akumulatorja pod 10V, vem, da je
akumulator prazen.
KOMUNIKACIJSKI
VMESNIK
BAZA
ZNANJA
MEHANIZEM
SKLEPANJA
ES
Razlaga ZAKAJ?
ES: Ali avto noče vžgati?
UPORABNIK: Zakaj?
ES: Če vem, da avto noče vžgati, potem ponavadi
V.Rajkovič
17
domnevam, da je problem v električni napeljavi.
MYCIN
ES za predpisovanje
antibiotikov
1. Pacientovo ime:
**Janez Porenta
2. Spol:
**moški
3. Starost:
**60
4. Od kod je vzet vzorec KULTURE 1?
**kri
5. Pred koliko dnevi?
**2
6. Navedite organizem 1 najden v krvi:
**UNK
7. Navedite značilnosti tega organizma
(acidfast, grampoz, gramneg):
**gramneg
8. Je organizem paličast, kokusbakt., itd.:
**paličast
9. Obstaja KULTURA 2?
**da
10. Od kod je vzet vzorec KULTURA 2?
**slina
V.Rajkovič
18
Primer pravila v MYCIN-u
atribut
ČE
POTEM
objekt
vrednost
verjetnost
predmet opaz. kultura
kri
morfolorija
organizem paličast
lastnost
organizem gramneg
(1.0)
(1.0)
(0.7)
identiteta
(0.6)
organizem pseudomonas
V.Rajkovič
19
Terapevtski nasvet je osnovan na naslednjih postavkah:
org 1 je morda PSEUDOMANS
(0.357)
org 2 je morda KLEBSIELLA
(0.177)
org 3 je morda ENTEROBACTER
(0.166)
...
Sledijo vprašanja o alergijah pacienta na antibiotike,
zatem pa različne mešanice antibiotikov
Predlog
Predlog
2: 2:
Predlog 1:
1. GENTAMICIN
1.7mg/kg
Q 8 H - IV ali IM
2. CARBENICILIN
25 mg/kg
Q 2 H -IV
Razlage:
Na osnovi katerih pravil, vprašanj in odgovorov je prišel
MYCIN do zaključkov (organizmov in verjetnosti).
20
Dejstva:
A
B
C
1) A je na B
2) B je na C
3) C je na MIZI
MIZA
Zakonitosti:
1) če ne obstaja Y, tako da je Y nad X, potem je X prazen
2) za vsak X in Y: če je X na Y, potem je X nad Y
3) za vsak X in Y: če obstaja Z, da je X na Z in Z nad Y,
potem je X nad Y
V.Rajkovič
21
Prolog:
jena (a,b).
jena (b,c).
jena (c,miza).
prazen (x) :- not ( jena ( _,x) ).
nad (x,y) :- jena (x,y).
nad (x,y) :- jena (x,z), nad (z,y).
A
B
C
MIZA
?-nad (a,c).
V.Rajkovič
22
Shemi za reševanje problemov:

Konjunktivno-disjunktivni (AND/OR) graf

Prostor stanj
V.Rajkovič
23
Konjunktivno-disjunktivni graf:
A
B
A nad C
or
Z2
C
MIZA
Z3
and
A na C
NE
A na Z
Z nad C
or
Z=B
A na B
Z2
...
DA
Z2) za vsak X in Y:
če je X na Y, potem je X nad Y
Z3) za vsak X in Y:
če obstaja Z, da je X na Z in Z nad Y,
potem je X nad Y
Z3
Z na C
Z=B
B na C
24
DA
Prostor stanj:
A
C
B
A
B
A C
B
C
A
C
A B
C
MIZA
B
A C
A
B C
ABC
C
A B
A
C
B
B
A
B
C
C
A
B
A
B C
V.Rajkovič
B
A
C
25
Sheme za predstavitev znanja:
Zahteve:

Učinkovita uporaba

Dopolnjevanje in spreminjanje

Razumljivost

Verifikacija
V.Rajkovič
26
Sheme za predstavitev znanja:

Pravila

Semantične mreže

Okviri

Predikatni račun
V.Rajkovič
27
Pravila (rules):
pogoj,
premisa
ČE
je desna roka opazovane osebe večja kot leva
sklep, akcija,
conclusion,
action
POTEM
oseba opravlja ročno delo
npr. tabela iz MYCIN-a
V.Rajkovič
28
Pravila za vnovčitev čeka:
(1) ČE ček ustrezno izpolnjen
IN plačnik znan
IN stanje pozitivno
POTEM ga izplačaj
(2) ČE ček prav datiran
IN podpis ustrezen
IN vsota jasna
IN prinašalec identificiran
POTEM je ček ustrezno izpolnjen
(3) ČE je datum čeka današnji
ALI ni starejši od 90 dni
POTEM je ček prav datiran
V.Rajkovič
29
Prednosti pravil:

Vsako pravilo predstavlja majhen relativno
neodvisen del znanja

Dodajanje in spreminjanje pravil je
relativno enostavno

Podpira transparentnost sistema.
Kako si prišel do rešitve?
Zakaj potrebuješ nek podatek?
V.Rajkovič
30
Primer semantične mreže:
ŽIVAL
je
kaj dela
kaj ima
kaj dela
je
je
KANARČEK
zna
PETI
KOŽA
SE PREMIKA
RIBA
PTICA
je
DIHANJE
je
RUMEN
zna
ima
ima
LETETI
KRILA
PERJE
NOJ
ne zna
LETETI
V.Rajkovič
je
VELIK
31
Semantične mreže (semantic networks):
PLAŠČ
lastnik
stanje rokavov
stanje gumbov
NN
OGULJENI
MANJKAJO



opisujemo hierarhične strukture
pri obravnavanju naravnega jezika
sklepanje na področju teorije množic
V.Rajkovič
32
Okviri (frames):
PLAŠČ
Odprtina (slot)
Vrednost (entry)
LASTNIK
NN
STANJE ROKAVOV
OGULJENI
STANJE GUMBOV
MANJKAJO
...
...
VELIKOST
na osnovi mer
uporabi tabelo 14



Objektni način
Vrednost je lahko tudi postopek
Obravnavanje kompleksnih sistemov
V.Rajkovič
33
Predikatni račun (predicate calculus):

Uporablja formalno logiko

IZREK je odgovor na vprašanje, ki ga izpeljem
iz dejstev in zakonitosti.

Prednost so hitri algoritmi.

Pomanjkanje mehanizmov za modeliranje mehkega znanja.
V.Rajkovič
34
1. Sokrat je človek
2. Vsak človek je zmotljiv
Vprašanje:
Ali je Sokrat zmotljiv?
1. človek (Sokrat)
2. (vsak x) clovek (x) :- zmotljiv (x)
ali
2. ( x) zmotljiv (x) V človek (x)
Zmotljiv (Sokrat)?
protislovje
človek (Sokrat)
zmotljiv (x) V
človek (x)
x = Sokrat
človek (Sokrat)
zmotljiv (Sokrat)
V.Rajkovič
35
Predstavitve znanja:

Semantične mreže so najbolj splošne.
Vozli in povezave rabijo za predstavitev
dejstev in povezav med njimi.

Logična pravila in okvirji so poseben primer mreže.

Okvirji so prikladnejši za kompleksnejše sisteme.

Predikatni račun nima verjetnosti.
V.Rajkovič
36
Tri učne zanke:
EKSPERT(I)
TEHNOLOG
ZNANJA
ZAJEMANJE
ZNANJA
BAZA ZNANJA
(BZ)
PREDSTAVITEV
BZ
SKLEPANJE
V.Rajkovič
37
Izgradnja baze znanja:
KNOW HOW
artikulacija
SAY HOW
ekspert
tehnolog
znanja
strojno
učenje
primeri
SHOW HOW
model
KNOW HOW
BZ
Feigenbaumovo
ozko grlo
V.Rajkovič
38
Jeziki za programiranje ES:
Osnovne lastnosti:
 nenumerični podatki
 vračanje (po drevesu)
 ni razlike med postopki in podatki
 drevesne strukture – rekurzija
Jeziki kot so npr. Pascal in C praviloma niso dovolj fleksibilni.
programski jezik LISP
PREMISE (SAND (SAME CNTXT INFECT PRIMARY-BACTERIA)
(MEMBF CNTXT SITE STERILESITES)
(SAME CNTXT PORTAL GI))
ACTION (CONCLUDE CNTXT IDENT BACTEROIDES TALLY .7)
LISP MACHINE (MIT)
V.Rajkovič
39
programski jezik PROLOG
PROLOG : vsi ostali (z LISPom vred)


razvit 1975 na univerzi v Marseille-u (Kowalsky)

matematična osnova je formalna logika – predikatni račun

nedeterminizem in avtomatsko vračanje
neproceduralna (deklarativna) narava
drugi jeziki: KAKO povezati podatke z rezultati, korak po koraku
PROLOG: relacija med podatki in rezultati



Wirth:
program = algoritem + podatkovne strukture
Kowalsky: algoritem = logika
+ upravljanje (Control)
V.Rajkovič
40
PASCAL:
y := f(x)
PROLOG:
f(x,y)
x
{x}=?
f
f
x
f
y
x in y sta v relaciji f
y
x
{y}=?
DA
V.Rajkovič
f
f(x,y)
y
NE
41
Primer: vzorčno vodeni sistem
a: -b.
b: -c.
b: -d.
d: -e.
d: -f.
e:
f:
c:
b implicira a
e gotovo drži
Vprašanje:
? –a. ali je a res (drži), odgovor je “da”
e
d
b
a
f
c
Sistem logično izpelje a iz dejstev e,f in c ter ostalih pravil.
V.Rajkovič
42
Primer: sorodstveno drevo
Tom
Boris
Ana
Liza
Peter
Relacije:
starš (Tom, Boris)
starš (Tom, Liza)
starš (Boris, Ana)
starš (Boris, Peter)
1) succ (x,y) :- starš (y,x)
2) succ (x,y) :- starš (y,z), succ (x,z)
1) Za vse pare x in y je x naslednik (succ) y, če je y starš x-a
2) Za vse pare x in y je x naslednik y, če eksistira tak z, da je y starš z in x naslednik z
Vprašanje:
? – starš (Boris, x)
Odg. Prologa: x = Ana;
x = Peter
? – succ (Peter, y)
y = Boris;
y = Tom
V.Rajkovič
43
DEX:
Lupina ekspertnega sistema
za večparametrsko odločanje
19871995, DOS
DEXi:
Računalniški program
za večparametrsko odločanje
1999, Windows
V.Rajkovič
44
V.Rajkovič
45
Osnove sistemov DEX in DEXi
1. VEČPARAMETRSKO ODLOČANJE
•
•
•
modeliranje s kriteriji in funkcijami koristnosti
strukturiranje odločitvenega problema (drevo kriterijev)
vrednotenje variant
2. EKSPERTNI SISTEMI
•
•
•
•
kvalitativne (simbolične) merske lestvice
funkcije koristnosti predstavljene s pravili tipa če-potem
odločitveni model = baza znanja
poudarek na razlagi in analizi rezultatov vrednotenja (DEX)
V.Rajkovič
46
Faze odločitvenega procesa
0. IDENTIFIKACIJA PROBLEMA
1. IDENTIFIKACIJA KRITERIJEV (ATRIBUTOV)
a. spisek kriterijev
b. struktura kriterijev (drevo kriterijev)
c. merske lestvice
2. DEFINICIJA ODLOČITVENIH PRAVIL
3. OPIS VARIANT
4. ANALIZA VARIANT
V.Rajkovič
47
1.a Spisek kriterijev
Spisek kriterijev, ki vplivajo na odločitev (neurejen)
Nakup prenosnega računalnika
hitrost
velikost diska
cena
zanesljivost
zaslon
barve
servis
razširljivost
baterija
procesor
proizvajalec
miška
tipkovnica
velikost pomnilnika

Pazimo, da ne spregledamo pomembnih, bistvenih kriterijev
V.Rajkovič
48
1.b Drevo kriterijev
PRENOSNIK
CENA
TEH. KAR.
ZUN. ENOTE
NOT. ENOTE
PROCESOR
POMNILNIK
DODATKI
DISK
ZASLON
AVTONOMIJA
TIPKOVNICA
Združimo kriterije, ki “spadajo skupaj”
Pazimo na strukturo: praviloma dva do trije nasledniki notranjega vozlišča
V.Rajkovič
49
1.c Merske lestvice
PRENOSNIK
CENA
nespr, spr, dob, odl
TEH. KAR.
DODATKI
5000, 4000, 3000
ali
visoka, srednja, nizka
ZUN. ENOTE
NOT. ENOTE
AVTONOMIJA
2h, 3h, 4h
PROCESOR
POMNILNIK
DISK
ZASLON
TIPKOVNICA
nespr, spr, dob
Zaloge vrednosti so diskretne, praviloma urejene od slabih proti dobrim
Število vrednosti naj raste počasi od listov proti korenu
V.Rajkovič
50
2. Odločitvena pravila
ZUN. ENOTE
ZASLON TIPKOV. ZUN.ENOTE
nespr
slabša
nespr
spr
slabša
nespr
dob
slabša
nespr
nespr
srednja
nespr
spr
srednja
spr
dob
srednja
dob
nespr
boljša
nespr
spr
boljša
spr
dob
boljša
dob
ZASLON
V.Rajkovič
TIPKOVNICA
51
3. Opis variant
PRENOSNIK
CENA
TEH. KAR.
ZUN. ENOTE
NOT. ENOTE
PROCESOR
Prenosnik CENA
POMNILNIK
DODATKI
DISK
ZASLON
AVTONOMIJA
TIPKOVNICA
PROC.
POMN.
DISK
ZASLON
1. visoka
dob
spr
spr
dob
2. srednja
spr
dob
spr
nespr
3. nizka
nespr
spr
spr
nespr
V.Rajkovič

52
4. Vrednotenje in analiza variant
1. VREDNOTENJE VARIANT
•
•
•
poteka od listov proti korenu drevesa
rezultat je kvalitativna ocena vsake variante
vrednotenje lahko poteka tudi ob nenatančnih in
nepopolnih podatkih o variantah
2. ANALIZA VARIANT
•
•
•
interaktivno pregledovanje rezultatov
analiza tipa kaj-če
selektivna razlaga vrednotenja (DEX)
V.Rajkovič
53
4. Osnovno vrednotenje variant
PRENOSNIK
CENA
TEH. KAR.
spr
odl
DODATKI
nespr
nizka
spr
dob
AVTONOMIJA
ZUN. ENOTE
NOT. ENOTE
4h
PROCESOR
dob
POMNILNIK
spr
DISK
spr
ZASLON
dob
V.Rajkovič
TIPKOVNICA
sred
54
4. Analiza kaj-če
PRENOSNIK
CENA
TEH. KAR.
spr
dob
odl
DODATKI
nespr
nizka
spr
dob
AVTONOMIJA
ZUN. ENOTE
NOT. ENOTE
spr
4h
PROCESOR
dob
POMNILNIK
spr
DISK
spr
ZASLON
dob
V.Rajkovič
TIPKOVNICA
sred
55
4. Selektivna razlaga vrednotenja
PRENOSNIK
CENA
TEH. KAR.
spr
odl
DODATKI
nespr
nizka
spr
dob
AVTONOMIJA
ZUN. ENOTE
NOT. ENOTE
4h
PROCESOR
dob
POMNILNIK
spr
DISK
spr
ZASLON
dob
V.Rajkovič
TIPKOVNICA
sred
56
DEXi:
Računalniški program
za večparametrsko odločanje
Preprost program za delo z odločitvenimi modeli, ki omogoča:
•
•
•
•
•
•
izdelavo in preurejanje drevesa kriterijev
urejanje zalog vrednosti kriterijev in odločitvenih pravil
zajemanje podatkov o variantah
vrednotenje variant
tabelarični pregled rezultatov vrednotenja z analizo tipa kaj-če
grafični prikaz rezultatov vrednotenja
V.Rajkovič
57
DEXi:
Izdelava in preurejanje drevesa kriterijev
V.Rajkovič
58
DEXi:
Urejanje zalog vrednosti in odločitvenih pravil
V.Rajkovič
59
DEXi:
Urejevalnik variant
V.Rajkovič
60
DEXi:
Vrednotenje variant
V.Rajkovič
61
DEXi:
Grafični prikaz vrednotenja variant
V.Rajkovič
62
DEX in DEXi: Nekaj izkušenj
1. POTREBNI ČAS ZA IZVEDBO POSTOPKA
•
•
močno odvisen od problema (nekaj ur do nekaj mesecev)
tipično 2 do 15 delovnih dni
2. NAJZAHTEVNEJŠA FAZA:
•
izdelava drevesa kriterijev
3. PRIMERNI ODLOČITVENI PROBLEMI
•
•
•
•
•
•
veliko kriterijev (> 15)
veliko variant (> 10)
kvalitativno odločanje, presoja
nenatančni in nepopolni podatki
skupinsko odločanje (razlaga)
dovolj časa za izvedbo postopka
V.Rajkovič
63
DEX in DEXi: Področja uporabe
1.
RAČUNALNIŠTVO
•
•
2.
izbor računalnika
izbor strojne in programske
opreme
•
•
•
•
•
ocena kvalitete oz. izvedljivosti
projekta
ocena investicije
vrednotenje ponudb
vrednotenje proizvodnih
programov (portfolio)
5.
6.
izbor poslovnega partnerja
boniteta bank
ocenjevanje uspešnosti podjetij
V.Rajkovič
ocenjevanje primernosti,
uspešnosti delavcev
izbor ekspertne skupine
vrednotenje prošenj in vlog
MEDICINA, ZDRAVSTVO
•
•
VREDNOTENJE PODJETIJ
•
•
•
KADROVSKO ODLOČANJE
•
VREDNOTENJE PROJEKTOV
•
3.
4.
ocenjevanje rizičnosti
spremljanje osnovnih
življenjskih aktivnosti
OSTALA PODROČJA
•
•
•
vrednotenje tehnologij
izbor lokacije
ocena prioritet pri
dodeljevanju posojila
64
Upravljanje s portfeljem
• Življenje ustvarja red, toda red ne ustvarja življenja.
(Antoine de Saint-Exupéry)
V.Rajkovič
65
visoka
podvajanje ali
opuščanje
zmerna
intenziviranje
vodilnost
nadaljevanje
rast
vodilnost
C
B
A
postopno
opuščanje
nadaljevanje
racionalizacija
rast
opuščanje
postopno
opuščanje
finančni vir
zmerna
visoka
B
nizka
Tržna privlačnost
Matrika portfelja
nizka
A strategija rasti
(vlaganja)
B strategija
selektivnosti
C strategija
opuščanja
Konkurenčna sposobnost
66
Tradicionalen pristop
1.
2.
3.
4.
5.
VHODNI PODATKI
X
p1
Življenjski cikel
40
Atraktivnost cene
20
Proizvodne zmogljivosti
90
St. rasti povpraševanja
80
Obseg tržišča
20
p2
20
55
60
50
75
p3
50
60
60
30
50
.
.
n
V.Rajkovič
Tržna
privlačnost
n
Wi Ki
i=1
67
Tržna privlačnost
nizka
zmerna
visoka
Matrika portfelja
podvajanje ali
opuščanje
intenziviranje
vodilnost
nadaljevanje
rast
vodilnost
C
postopno
opuščanje
B
nadaljevanje
racionalizacija
A
opuščanje
postopno
opuščanje
B
rast
finančni vir
nizka
zmerna
visoka
Konkurenčna sposobnost
V.Rajkovič
68
Tržna privlačnost
TRŽNA PRIVLAČNOST
PROIZVOD
TRG
KONKURENCA
ŽIVLJENJSKI
CIKEL
STOPNJA RASTI
POVPRAŠEVANJA
STANJE
KONKURENCE
ATRAKTIVNOST
CENE
OBSEG
TRŽIŠČA
KONKURENČNOST
SUBSTITUTOV
PROIZVODNE
ZMOGLJIVOSTI
V.Rajkovič
69
Konkurenčna sposobnost
KONKURENČNA
SPOSOBNOST
TRŽNI
REZULTATI
TRŽNE ZNAČILNOSTI
PROIZVODA
TRŽNI
DELEŽ
CENA
KONKURENCE
DELEŽ
IZVOZA
KAKOVOST
PROIZVODA
STOPNJA
POKRITJA
KAKOVOST
POSLOVNIH FUNKCIJ
MARKETING
KADRI in
ZNANJA
TEHNOLOGIJA
in RAZVOJ
IMAGE
STRUKTURA
KADROV
TEHNOLOŠKA
RAVEN
DISTRIBUCIJA
ZNANJA
TEHNOLOŠKA
FLEKSIBILNOST
PROMOCIJA
V.Rajkovič
INTENZITETA
R&R
70
Model evalvacije strateške
pozicije podjetja
Ekonomska moč podjetja
5
4
3
2
1
Tržna
0
moč podjetja 1
2
3
4
5
Atraktivnost
panoge
5 4 3 2 1 0 1 2 3 4 5
Makroekonomsko okolje
71
Model evalvacije strateške
pozicije podjetja
Ekonomska moč podjetja
5
4
3
2
1
Tržna
0
moč podjetja 1
2
3
4
5
Atraktivnost
panoge
5 4 3 2 1 0 1 2 3 4 5
Makroekonomsko okolje
1988
1989
1990
1991
72
Vredana
V.Rajkovič
73
Pridobitve
• Parametri (dejavniki) ohranijo svoje
“naravne” vrednosti
• Strukturiranje parametrov
• Transparentna razlaga agregiranih vrednosti
• Selektivni večnivojski prikazi
• Razlaga strateškega položaja
V.Rajkovič
74
Zaključek
• Pomoč miselnim procesom managerja pri
razumevanju odločitev
• Ni garancije za dobro odločitev;
z ustreznim razumevanjem lahko le
zmanjšamo možnost napake
V.Rajkovič
75
dejstva in koncepti
proces
potrjevanja
in
generiranja
konceptov
dolgotrajni spomin (DS)
signali
senzorski
vmesnik
dejstva in koncepti
senzorski
zavestno
upravljanje
7+2
kratkotrajni spomin (KS)
signali
aktivacijski
vmesnik
podatki o okolju
aktivacijski
podatki za okolje
Model nekaterih človekovih
miselnih procesov:
podatki o okolju
V.Rajkovič
76
Reševanje problema: primer “aritmetike dni v tedna”
Po
1
To
2
Sr
3
Če
4
Pe
5
So
6
Ne
7
Sr + To = ?
Načini reševanja:
1. Postopkovni:
3 + 2 =5
Pe
2. Podatkovni – tabela kombinacij:
Po To Sr . . .
Po To Sr Če . . .
To
Če Pe . . .
Sr
So . . .
...
3. S pravili (5 pravil in 3 izjeme):
če je eden izmed seštevancev Po
potem je rezultat naslednji dan
V.Rajkovič
77
Učenje:
a) Direktno ali rutinsko učenje (rote learning)
Sklepanje ni potrebno. Običajno programiranje in
shranjevanje podatkov.
b) Učenje na podlagi povedanega (learning by being told)
Povedano znanje je treba na osnovi predznanja z induktivnim
sklepanjem organizirati tako, da ga je možno uporabiti
brez eksplicitnih algoritmov. Sprejemanje pravil in dejstev
od učitelja.
c) Učenje na osnovi razlage (explanation-based learning)
Primer rešitve problema  razlaga z znanjem te domene 
posplošitev razlage, kar omogoča reševanje celotnega razreda
problemov.
V.Rajkovič
78
Učenje:
d) Učenje po analogiji (learning by analogy)
Že obstoječe znanje pretvorimo v obliko, da ga je možno
uporabiti za nov podoben problem.
e) Učenje iz primerov (learning from examples)
Primeri opisujejo koncept. Nato ga izluščimo
npr. z induktivnim sklepanjem.
f) Učenje s samostojnim odkrivanjem (learning from
observation & discovery)
Učitelja ni. Sami odkrivamo nove koncepte. Raziskovalno delo:
postavljanje hipotez, testiranje hipotez, sestavljanje novih teorij.
Npr. Avtomatic mathematician, na podlagi temeljnih konceptov
teorije množic in s pomočjo hevristik sam odkrije koncepte kot
so število, seštevanje, odštevanje, množenje, potenca, praštevila ...
V.Rajkovič
79
Kvalitativno modeliranje:
Kvantitativno: enačbe, domena spremenljivk je množica npr.
realnih števil
Kvalitativno: relacije med spremenljivkami, domena je prostor
količin
nizek
150
160
visok
170
180
zelo visok
190
200
VIŠINA
Človek doseže predmet:
Če VIŠINA (zelo visok)
Če VIŠINA (visok) in pručka
Če VIŠINA (nizek) in stol
Mozetič, I., Principi kvalitativnega modeliranja, Informatica, 4/84, pp. 79-85
Bratko, I., Qualitative Modelling, Zbornik.
med. konf. o razvoju organizacijskih80
V.Rajkovič
znanosti, Portorož, 2005
V.Rajkovič
The Economist,Vol .: 380, No.8496, Sept. 2006
81
Sistem KARDIO:
SA node
SA node
Atr. focus
Atria
P wave
AV node
AV conduction
PR interval
P-QRS relat.
AV-junction
Ventricles
Bundle branches
Vent. focus
regular
ectopic
Rhythm
QRS complex
P wave
QRS complex T wave
PR interval
heart
subsystems
V.Rajkovič
SA node
Bundle bran.
summator
impulse generator
conduction pathway
82
V.Rajkovič
83
Odkrivanje zakonitosti iz
podatkov
Orodja: glavne značilnosti in razlike
• Statistika
– matematična disciplina
– omejen izbor modelov (po značilnostih, ne po številu!)
– zna preveriti vnaprej sestavljene hipoteze, ne zna pa jih sestavljati
• šestdeseta: “data fishing”
• Strojno učenje
– ad hoc (v primerjavi s statistiko)
– bolj zapleteni modeli (po izraznosti, ne po razložljivosti ali izpeljavi!)
– sestavlja (“išče”) hipoteze, ne zna pa jih preveriti
• Vizualizacija
– prikazuje podatke v človeku razumljivi obliki
– ne sestavlja modelov in jih ne preverja
– najpreprostejša, najučinkovitejša in najlažje zavajajoča tehnika
povzeto po: Janez Demšar: Odkrivanje zakonitosti iz podatkov
V.Rajkovič
84
Francoski paradoks
Francozi (domnevno) jedo bolj mastno hrano,
vendar imajo manj težav s srcem in ožiljem.
• Naivni iskalec zakonitosti: jejmo več mastnega!
• Razlaga (1992): Francoskih src ne poživlja maščoba, temveč
rdeče vino, ki vsebuje resveratrol.
• Tudi v to še vedno dvomimo, zato se izvajajo nadaljnji poskusi
o biokemičnem delovanju resveratrola.
Odkrite zakonitosti morajo biti podprte s teorijo!
V.Rajkovič
85
Pasti
• “If you torture your data long enough, it will
eventually confess.” (James L. Mills)
• Rešitev
– pravilna uporaba statistike (resen problem!)
– utemeljevanje modelov s teorijo
• “Lahko ti povem biološko razlago za vsak graf, ki mi ga
prineseš.” (G. Shaulsky)
– jemanje izpeljanega s ščepcem soli
V.Rajkovič
86
CRISP-DM
CRoss Industry Standard Process for Data Mining
V.Rajkovič
87
Primer
Dobiček
Starost Konkurenca
Vrsta
_______________________________________________________________________________________
pada
pada
narašča
pada
narašča
narašča
narašča
narašča
pada
pada
staro
srednje
srednje
staro
novo
novo
srednje
novo
srednje
staro
ne
da
ne
ne
ne
ne
ne
da
da
da
SW
SW
HW
HW
HW
SW
SW
SW
HW
SW
_______________________________________________________________________________________
V.Rajkovič
povzeto po: Bojan Cestnik: Strojno učenje
88
Primer: Odločitveno drevo
Starost
staro
pada
srednje, novo
Konkurenca
ne
da
Starost
narašča
srednje
pada
V.Rajkovič
povzeto po: Bojan Cestnik: Strojno učenje
novo
narašča
89
Učenje odločitvenih dreves
Oseba
Starost
Spol
Ana Kranjc
32
Ž
10.000
da
Micka Kovač
53
Ž
1.000.000
da
Meta Novak
27
Ž
20.000
ne
Jana Bevc
55
Ž
20.000
da
Peter Dolenc
26
M
100.000
da
Janez Gorenc
50
M
200.000
da
V.Rajkovič
primer povzet po: Sašo Džeroski: Decision Trees
Dohodki Stranka
90
Klasifikacija in regresija
• Klasifikacija:
– razred C je diskretna spremenljivka
– pravilo (Oseba, Starost, Spol, Dohodki)  Stranka
• Regresija:
– "razred" C je zvezna spremenljivka
– pravilo (Oseba, Starost, Spol, Stranka)  Dohodki
V.Rajkovič
91
Klasifikacijsko odločitveno
drevo
Oseba
Starost
Spol
Dohodki Stranka
Ana Kranjc
32
Ž
10.000
da
Micka Kovač
53
Ž
1.000.000
da
Meta Novak
27
Ž
20.000
ne
Jana Bevc
55
Ž
20.000
da
Peter Dolenc
26
M
100.000
da
Janez Gorenc
50
M
200.000
da
Dohodki
 100.000
 100.000
Starost
 32
Stranka=ne
V.Rajkovič
Stranka=da
 32
Stranka=da
92
Regresijsko odločitveno drevo
Oseba
Starost
Spol
Dohodki
Stranka
Ana Kranjc
32
Ž
10.000
da
Micka Kovač
53
Ž
1.000.000
da
Meta Novak
27
Ž
20.000
ne
Jana Bevc
55
Ž
20.000
da
Peter Dolenc
26
M
100.000
da
Janez Gorenc
50
M
200.000
da
Spol
Ž
M
Starost
 53
Dohodek=15.000
V.Rajkovič
primer povzet po: Sašo Džeroski: Decision Trees
Dohodek=150.000
 53
Dohodek=510.000
93
Učenje odločitvenih dreves
KLJUČNI KONCEPTI
1. Gradnja drevesa
– algoritem
– izbiranje atributov
2. Preverjanje kakovosti drevesa
–
–
učna in testna množica
klasifikacijska točnost
3. Rezanje drevesa
–
–
rezanje naprej
rezanje nazaj
V.Rajkovič
94
Mere kvalitete odločitvenih
dreves
Klasifikacijska točnost:
Kako točno drevo klasificira nove primere?
Razumljivost:
Ali ekspert razume drevo in njegovo vsebino?
Ali ga lahko interpretira, utemelji?
Velikost:
Povezano z razumljivostjo: zaželena čim manjša drevesa!
V.Rajkovič
95
Od dreves k pravilom
Dohodki
 100.000
 100.000
Starost
Stranka=da
 32
Stranka=ne
 32
Stranka=da
povzeto po: Marko Bohanec: Strojno učenje
PRAVILA
if Dohodki  100.000
then Stranka=da
if Dohodki  100.000
and
Starost  32
then Stranka=da
if Dohodki  100.000
and
Starost  32
then Stranka=ne
ODLOČITVENI
SEZNAM
V.Rajkovič
if Dohodki  100.000
then Stranka=da
else if Starost  32
then Stranka=da
else Stranka=ne 96
Področja uporabe
•
•
•
•
Analiza poslovanja, proizvodnje, trga
Analiza poslovnih partnerjev, strank
Predvidevanje izjemnih dogodkov, zlorab
Trženje, odnosi z javnostjo
• Znanstvene raziskave
– medicina (diagnostika, prognoza, odločanje)
– farmacija (učinkovine, načrtovanje zdravil)
– genetika (določanje funkcij genov, genskih mrež,  farmacija)
– ekologija
• Številna druga področja
– internet (npr. Google...)
V.Rajkovič
97
Sistemi za
odkrivanje zakonitosti iz podatkov
• Komercialni sistemi
– Zelo dragi, dobra uporabniška podpora
– Najbolj znani
• SPSS: Clementine
• SAS Institute: SAS Enterprise Miner
• Prosto dostopni
– Zastonj, a z manj podpore (razen uporabnikov med sabo)
– Ker izvirajo iz raziskovalnih okolij, so pogosto inovativnejši
– Največja
• Weka, University of Waikato
– osredotočen na strojno učenje
– velika skupnost uporabnikov
• Orange, Fakulteta za računalništvo in informatiko, Ljubljana
– več metod za odkrivanje zakonitosti iz podatkov, predvsem
vizualizacije
– hiter
– inovativen in zmogljiv uporabniški vmesnik, dobra dokumentacija za
skriptni nivo
– uporabniški vmesnik in
podpora v slovenščini 
V.Rajkovič
98
Primerjalna analiza treh orodij
za izgradnjo in uporabo ES
Baza znanja
drevo kriterijev
pravila
DEX
OPTRANS
odločitvena
drevesa
ASSISTANT
V.Rajkovič
99
Pravila v OPTRANSu
IF GR_PROFIT < 0 AOR PROF_RTO < 0 AOR RENT_RTO < 0
THEN FACTS_DEDUCTED PROFITABILITY IS bad
CRITERIA_TO_EXAMINE stop
MESSAGE PROFITABILITY is bad.
FINISH_RULE
IF GR_PROFIT > 0 AOR PROF_RTO > 0.4 AOR RENT_RTO > 2
THEN FACTS_DEDUCTED PROFITABILITY IS good
CRITERIA_TO_EXAMINE stop
MESSAGE PROFITABILITY is good.
FINISH_RULE
IF GR_PROFIT > 0 AOR PROF_RTO > 0.4 AOR RENT_RTO < 2 AND RENT_RTO > 0
THEN FACTS_DEDUCTED PROFITABILITY IS medium
CRITERIA_TO_EXAMINE stop
MESSAGE PROFITABILITY is medium.
FINISH_RULE
V.Rajkovič
100
Ocena boniteta stranke v OPTRANSu
** * Liquidity evaluation * **
The percentage of reaching special liquidity requirements exceeds
the foreseen 100% limit. The percentage of reaching the minimal
liquidity is above 20%. The bank liquidity is good.
** * Risk evaluation * **
A liquidity debtness does not reach 3% of riskful assets (2.10%).
The capital ratio is 33.08% and lies within the foreseen value of
40%. The balanced term structure (110.00%) complies with the
foreseen value of 85%. Doubtful assets ratio is less than 5%. The
risk is medium.
** * Profitability evaluation * **
The bank gross profit is far. The profitability ratio (10.84%) is
excellent.
The
rentability
ratio (0.27%) is medium. The
profitability is medium.
V.Rajkovič
101
descriptive value
1. bad
2. medium
3. good
numeric subinterval
< 0%
> 0% in < 2%
> 2%
Parameter
Numeric value
Descriptive value
ST_CR_POT
BLN_STRCT
LQD_DEBT
CA_RTO
DBT_ASSETS
LQD_1
LQD_2
LEND_PRM
LR_DAYS
RF_DAYS
LQD_CR_CB
LQD_3
MIN_LQD
SPEC_LQD
GR_PEOFIT
PROF_RTO
RENT_RTO
11.81
0
2.1
33.08
110
726.26
289.37
166851
3
5
0
3072.62
382.47
5.9
8507
10.84
0.27
good
good
bad
good
good
good
good
good
medium
good
good
good
good
good
good
good
medium
V.Rajkovič
Primer podatkov o stranki,
katere boniteto ocenjujemo
102
Drevo kriterijev v DEXu
Parameter
Description
Values of the parameter
CREDIT SCORE
├RISK
│├ST_CR_POT
│├BLN_STRCT
│├LQD_DEBT
│├CA_RTO
│└DBT_ASSETS
├LIQUIDITY
│├LIQ_A
││├LQD_1
││├LQD_2
││└LEND_PRM
│├LIQ_B
││├LR_DAYS
││├RF_DAYS
││└LQD_CR_CB
│└LIQ_C
│ ├LQD_3
│ ├MIN_LQD
│ └SPEC_LQD
└PROFITABILITY
├GR_PROFIT
├PROF_RTO
└RENT_RTO
Eval. of the credit worthiness of client
Evaluation of the assets risk
Short-term credit potential
Balance term structure
Liquidity debtness
Capital ratio
Doubtful assets ratio
Evaluation of the utility
bad, medium, good
high, medium, low
bad, good
bad, good
bad, good
bad, good
bad, good
bad, medium, good
bad, medium, good
bad, good
bad, good
bad, good
bad, medium, good
bad, medium, good
bad, good
bad, good
bad, medium, good
bad, medium, good
bad, good
bad, good
bad, medium, good
bad, good
bad, medium, good
bad, medium, good
Liquidity ratio 1
Liquidity ratio 2
Lending parameter
Legal reserves – days used
Reserve Fund – days used
Liquidity credit at the central bank
Liquidity ratio 3
Minimal liquidity ratio
Special liquidity reserve ratio
Evaluation of the profitability
Gross profit
Profitability ratio
Rentability ratio
V.Rajkovič
103
Agregacijska pravila v DEXu
GR_PROFIT
PROF_RTO
RENT_RTO
PROFITABILITY
1. bad
2. *
3. *
*
bad
*
*
*
bad
bad
bad
bad
4. good
5. good
6. good
medium
>=medium
good
>=medium
medium
good
medium
medium
good
V.Rajkovič
104
CREDIT SCORE
├RISK
│├ST_CR_POT
│├BLN_STRCT
│├LQD_DEBT
│├CA_RTO
│└DBT_ASSETS
├LIQUIDITY
│├LIQ_A
││├LQD_1
││├LQD_2
││└LEND_PRM
│├LIQ_B
││├LR_DAYS
││├RF_DAYS
││└LQD_CR_CB
│└LIQ_C
│ ├LQD_3
│ ├MIN_LQD
│ └SPEC_LQD
└PROFITABILITY
├GR_PROFIT
├PROF_RTO
└RENT_RTO
good
medium
good
good
bad
good
good
good
good
good
good
good
good
medium
good
good
good
good
good
good
medium
good
good
medium
Ocena boniteta stranke v DEXu
V.Rajkovič
105
Odločitveno drevo v ASSISTANTu
RENT_RTO
<0
0<
<3
CA_RATIO
3<
bad
< 100
SPEC_LQD
100 <
bad
<0
GR_PROFIT
bad
< 6,5
DBT_ASSETS
medium
<3
CA_RATIO
3<
medium
< 85
ST_CR_POT
bad
< 10
bad
6,5 <
RF_DAYS
10 <
medium
< 100
medium
CA_RATIO
100 <
0<
85 <
good
106
Izračun bonitete s samo štirimi podatki v ASSISTANTu
┌────────────────────────── Tree only ───────────────────────────┐
│ ATTRIBUTE
VALUE
║ Select value for ║ CLASS PROB. │
│════════════════════════════╣ capital ratio
╠═══════════════│
│ Liquid.ratio 3
3072.620 ╠═══════════════════╣ good
93.878 │
│ Capital ratio
33.080 ║
33.080 ║ medium 6.122 │
│ Rentability ratio
0.270 ║
4 ║ bad
0.000 │
│ Gross profit
8507.000 ║
║
│
│ Liq.credit at CB unknown ║
║
│
│ Spec.liq.r.ratio unknown ║
║
│
│ Minimal liq.ratio unknown ║
║
│
│
‫׃‬
‫׃‬
║
║
│
V.Rajkovič
107
Predlog teme (ena stran)
• Podatki o študentu:
– ime in priimek
– organizacija
– telefon in e-mail
•
•
•
•
•
•
Podatki o predmetu in študijskem programu
Naslov seminarske naloge
Opis problema
Namen in cilji naloge
Metoda dela
Pričakovani rezultati
V.Rajkovič
108
Organiziranje razvoja ES
Izbira ustreznega problema za rešitev z ES
1 Proučite potencialne možnosti uporabe ES pri vas.
1.1 Kje v vašem poslovnem sistemu nastaja NOVA VREDNOST?
Kje nastajajo največji STROŠKI?
1.2 Kje v vašem poslovnem sistemu obstajajo KRITIČNA
EKSPERTNA PODROČJA?
Kje se bojite izgube EKSPERTIZE?
Kje želite ''pomnožiti'' EKSPERTIZO?
1.3 Kje v vašem poslovnem sistemu obstajajo ''ozka grla''?
Katere poslovne funkcije so s tem VZROČNO-POSLEDIČNO
povezane?
2 Izbira aplikacije ES, ki ustreza ali več kriterijev
2.1 Kako se aplikacija vključuje v poslovni sistem?
Kaj aplikacija DAJE in kaj ZAHTEVA?
2.2 Kaj vse je treba storiti?
109
2.3 Kakšni so stvarni cilji?
Organiziranje razvoja ES
Upravičenost rešitve z ES
3
Kakšni so kvantitativni učinki?
A Zmanjšanje stroškov
B Dvig produktivnosti
C Dvig kakovosti
4
Kakšni so kvalitativni učinki?
A Dolgoročne strateške prednosti
B Povečanje ''zadovoljstva''
- delavcev
- končnega uporabnika
C Povečanje fleksibilnosti
V.Rajkovič
110
Organiziranje razvoja ES
Izgradnja sistema
5
6
7
8
9
Izbor skupine: kdo vse mora sodelovati in zakaj?
Tehnološka rešitev
A Katero orodje (npr. lupino ES) izberemo?
B Kakšen računalnik potrebujemo?
C Kakšne so kadrovske in časovne zahteve ter možnosti?
Izgradnja baze znanja (BZ)
A Kakšne metode zbiranja in predstavitve BZ bomo uporabili?
B Kako bomo testirali BZ?
Uvajanje sistema v praktično delo
A Kdo bo sistem uvajal?
B Kakšne težave nas pri tem čakajo?
Operativno delovanje in spremljanje učinkovitosti sistema
A Kaj obsega vzdrževanje sistema?
B Kdo je odgovoren za operativno delovanje in evaluacijo
111
sistema?
Poročilo o seminarski nalogi
Naslov
avtor, organizacija
kraj in datum
Povzelek (slo in ang)
Ključne besede (slo in ang)
1. Uvod
Opredelitev problema:
•Kaj je predmet odločanja?
•Kakšne cilje želite doseči z odločitvijo?
•Katerim zahtevam mora ustrezati izbrana varianta?
•Ali je problem težak in zakaj?
Odločitvena skupina:
•Kdo je “lastnik” odločitvenega problema? Kdo je odgovoren za odločitev? Koga odločitev
neposredno zadeva?
•Kdo še sodeluje v odločitveni skupini? Ali ste (bi) v odločitveno skupino vključili eksperte,
odločitvenega analitika ali predstavnike tistih (katerih) segmentov, na katere vpliva?
Metoda dela:
•Kako ste se lotili problema, po katerih korakih in kakšne oziroma katere pripomočke ste pri
tem uporabljali?
V.Rajkovič
112
2. Odločitveni model
Kriteriji:
•Katere kriterije ste uporabili?
•Kaj pomenijo (kratek opis)?
•Kako ste jih strukturirali?
Funkcije koristnosti:
•Kateri kriteriji so pomembnejši od drugih in zakaj?
•Ali morda v modelu nastopajo izločilni kriteriji in kateri so to?
3. Opis variant
•Kratek opis variant, med katerimi izbirate.
•Kako ste izmerili variante (morebitni viri)?
V.Rajkovič
113
4. Rezultati vrednotenja variant
Opišite rezultate vrednotenja:
•Kako so bile ocenjene variante?
•Katera je najboljša?
•Primerjajte najboljšo varianto z nekaj najbolje ocenjenimi preostalimi variantami?
Analizirajte in razložite odločitev; poskusite odgovoriti na vprašanja kot so:
•Ali so vrednosti kriterijev in uporabljene funkcije koristnosti ustrezni?
•Zakaj je končna ocena takšna, kot je? Je v skladu s pričakovanji ali odstopa in zakaj? Kateri
kriteriji so najbolj prispevali k takšni oceni?
•Katere so bistvene prednosti in pomanjkljivosti posameznih variant?
•Kakšna je občutljivost odločitve: kako spremembe vrednosti kriterijev vplivajo na končno
oceno? Ali je mogoče in kako variante izboljšati? Katere spremembe povzročijo bistveno
poslabšanje ocen variant?
•V čem se variante bistveno razlikujejo med seboj?
5. Zaključek
•Kaj je končni rezultat odločitve? Katera varianta je najboljša in zakaj?
•Ali so cilji odločitvenega procesa doseženi?
•Kaj bi bilo še potrebno ukreniti? Morebitni napotki za realizacijo končne odločitve (na primer
opis kritičnih lastnosti izbrane variante, ki jim je potrebno pri realizaciji posvetiti posebno
pozornost).
Literatura in Priloge
Po potrebi priložite računalniške izpise odločitvenega modela (modelov) in rezultatov 114
vrednotenja.