ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ: ΜΕΛΕΤΗ ΣΥΣΤΗΜΑΤΩΝ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΪΑΣ ΔΥΝΑΤΟΤΗΤΕΣ ΚΑΙ ΠΡΟΟΠΤΙΚΕΣ

Transcript

1 ΑριστοτέλειοΠανεπιστήμιοΘεσσαλονίκης ΤμήμαΟικονομικώνΕπιστημών ΜεταπτυχιακόΠρόγραμμαστηΔιοίκησηκαιΟικονομία Κατεύθυνση:ΔιοίκησηΥπηρεσιών Ειδίκευση:ΔιοίκησηLogistics ΔΙΠΛΩΜΑΤΙΚΗΕΡΓΑΣΙΑ:ΜΕΛΕΤΗ ΣΥΣΤΗΜΑΤΩΝΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΪΑΣ ΔΥΝΑΤΟΤΗΤΕΣΚΑΙ ΠΡΟΟΠΤΙΚΕΣ ΒΛΑΧΟΠΟΥΛΟΥΕΥΑΓΓΕΛΙΑ ΕΠΙΒΛΕΠΩΝΚΑΘΗΓΗΤΗΣ:ΑΘΑΝΑΣΙΟΣΤΣΑΔΗΡΑΣ ΙΑΝΟΥΑΡΙΟΣ2010

2 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές Περιεχόμενα ΚΕΦΑΛΑΙΟ ΕΙΣΑΓΩΓΗ... 4 ΚΕΦΑΛΑΙΟ ΕΝΝΟΙΕΣ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΪΑΣ ΑΝΑΣΚΟΠΗΣΗ ΒΙΒΛΙΟΓΡΑΦΙΑΣ ΠΑΡΑΔΟΣΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΪΑΣ ΠΡΟΣΑΡΜΟΣΜΕΝΗ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗ ΕΥΦΥΪΑ Εξόρυξη δεδοµένων (data mining) Πρόβλεψη Βελτιστοποίηση Προσαρµοστικότητα ΜΕΘΟΔΟΙ ΠΡΟΒΛΕΨΗΣ ΚΑΙ ΜΟΝΤΕΛΑ Προετοιµασία δεδοµένων Διαφορετικές µέθοδοι πρόβλεψης Μαθηµατικές µέθοδοι Μέθοδοι απόστασης Λογικές µέθοδοι Μοντέρνες ευρετικές µέθοδοι ΑΞΙΟΛΟΓΗΣΗ ΤΩΝ ΜΟΝΤΕΛΩΝ ΚΕΦΑΛΑΙΟ Η ΑΝΑΛΥΤΙΚΗ ΚΑΙ Ο ΡΟΛΟΣ ΤΗΣ Ο ΡΟΛΟΣ ΤΗΣ ΑΠΟΘΗΚΗΣ ΚΑΙ ΤΟΥ ΚΕΝΤΡΟΥ ΔΕΔΟΜΕΝΩΝ Η ΑΝΑΛΥΤΙΚΗ (ANALYTICS) ΚΑΙ Ο ΡΟΛΟΣ ΤΗΣ Αναφορές Slice-and-dice και drill down Ad hoc ερωτήσεις Αναλυτική σε πραγµατικό χρόνο Πρόβλεψη Σενάρια

3 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές 3.3. ΕΠΙΧΕΙΡΗΜΑΤΙΚΗ ΕΥΦΥΪΑ ΣΕ ΠΡΑΓΜΑΤΙΚΟ ΧΡΟΝΟ (REAL TIME BI) ΑΝΑΛΥΤΙΚΗ ΕΦΟΔΙΑΣΤΙΚΗΣ ΑΛΥΣΙΔΑΣ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗ ΕΥΦΥΪΑ ΣΕ ΠΡΑΓΜΑΤΙΚΟ ΧΡΟΝΟ ΚΑΙ ΑΝΑΛΥΤΙΚΗ ΕΦΟΔΙΑΣΤΙΚΗΣ ΑΛΥΣΙΔΑΣ ΕΥΦΥΪΑ ΕΦΟΔΙΑΣΤΙΚΗΣ ΑΛΥΣΙΔΑΣ ΚΕΦΑΛΑΙΟ ΕΦΑΡΜΟΓΕΣ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΪΑΣ ΕΦΑΡΜΟΓΕΣ ΛΟΓΙΣΜΙΚΟΥ ΠΙΝΑΚΕΣ (DASHBOARDS) ΣΥΓΚΡΙΣΗ ΠΡΟΪΟΝΤΩΝ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΪΑΣ ERP ΚΑΙ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗ ΕΥΦΥΪΑ: ΜΙΑ ΕΝΟΠΟΙΗΜΕΝΗ ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΠΕΡΑΙΤΕΡΩ ΒΕΛΤΙΩΣΕΙΣ ΚΑΙ ΜΕΛΛΟΝΤΙΚΕΣ ΠΡΟΟΠΤΙΚΕΣ ΣΤΗΝ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗ ΕΥΦΥΪΑ ΚΕΦΑΛΑΙΟ PENTAHO BI SUITE ENTERPRISE EDITION ΕΙΣΑΓΩΓΗ ΔΗΜΙΟΥΡΓΙΑ AD HOC ΑΝΑΦΟΡΑΣ (AD HOC REPORT) ΔΗΜΙΟΥΡΓΙΑ ΑΝΑΛΥΣΕΩΝ ΠΙΝΑΚΕΣ (DASHBOARDS) PENTAHO GOOGLE MAPS ΔΗΜΙΟΥΡΓΙΑ ΑΝΑΦΟΡΑΣ ΜΕΣΩ ΤΟΥ REPORT DESIGNER Προσθήκη γραφήµατος Προσθήκη παραµέτρων στην αναφορά ΠΡΟΣΔΙΟΡΙΣΜΟΣ ΣΥΝΔΕΣΗΣ ΒΑΣΗΣ ΔΕΔΟΜΕΝΩΝ ΚΕΦΑΛΑΙΟ ΣΥΜΠΕΡΑΣΜΑΤΑ ΒΙΒΛΙΟΓΡΑΦΙΑ

4 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές ΚΕΦΑΛΑΙΟ 1 ΕΙΣΑΓΩΓΗ Οι παραδοσιακές επιχειρήσεις αντιµετωπίζουν προβλήµατα όπως ο υπερβολικά µεγάλος όγκος δεδοµένων, η έλλειψη πληροφοριών, η έλλειψη γνώσης και η ανεπάρκεια αναφορών. Συνεπώς προκειµένου να ληφθούν έγκαιρα αποφάσεις, τα υψηλά διοικητικά επίπεδα συνήθως βασίζονται στις εµπειρίες τους, γεγονός που συνεπάγεται υψηλό κίνδυνο αποτυχίας. Καθώς εντείνεται ο παγκόσµιος ανταγωνισµός, τα µοντέλα που βασίζονται σε παρελθούσες αποφάσεις δεν µπορούν πλέον να ικανοποιήσουν τις απαιτήσεις των επιχειρήσεων για αποτελεσµατικότητα και οφέλη. Οι επιχειρήσεις πρέπει να κάνουν καλή χρήση των ηλεκτρονικών εργαλείων προκειµένου να αποσπάσουν την απαραίτητη πληροφόρηση από ένα τεράστιο όγκο δεδοµένων. Το πληροφοριακό σύστηµα που εφαρµόζεται σε µια επιχείρηση θα πρέπει να είναι σε θέση να παρουσιάσει τα δεδοµένα ή την πληροφόρηση µε ακρίβεια και σε πραγµατικό χρόνο, προκειµένου να επισπεύσει την επεξεργασία και τη λήψη αποφάσεων. Τα υφιστάµενα πακέτα λογισµικού µπορούν να παρέχουν ένα σύνολο ολοκληρωµένων λύσεων για τις λειτουργικές και διοικητικές διαδικασίες των επιχειρήσεων. Ωστόσο τα αποτελέσµατα της εφαρµογής των εργαλείων αυτών ποικίλλουν, και συχνά η πιθανότητα αποτυχίας είναι µεγαλύτερη από ότι η πιθανότητα επιτυχίας (Lin et al., 2009). Σκοπός της παρούσας µελέτης είναι η εξέταση των βασικών χαρακτηριστικών των συστηµάτων Επιχειρηµατικής Ευφυΐας και η αξιολόγηση των δυνατοτήτων που αυτά παρουσιάζουν. Θα εξεταστεί ο σηµαντικός ρόλος που διαδραµατίζει η Επιχειρηµατική Ευφυΐα στη σύγχρονη επιχείρηση και θα αναλυθούν οι βασικές εφαρµογές της τεχνολογίας αυτής. Επιπλέον θα παρουσιαστούν οι σηµαντικότερες λειτουργίες µιας εκ των πλέον εξεχουσών και περισσότερο χρησιµοποιούµενων πλατφόρµων Επιχειρηµατικής Ευφυΐας ανοιχτής πηγής, της Pentaho BI Suite Enterprise Edition. 4

5 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές Η επιχειρηµατική ευφυΐα είναι ένα σύστηµα υποστήριξης λήψης αποφάσεων (Decision Support System DSS), το οποίο συνδυάζει την συγκέντρωση των δεδοµένων, την αποθήκευση δεδοµένων και διαχείριση γνώσης µέσω ανάλυσης προκειµένου να παρέχει εισροή στη διαδικασία λήψης απόφασης (Negash and Gray, 2008). Αποτελεί ένα εργαλείο µε το οποίο οι επιχειρήσεις συλλέγουν, διαχειρίζονται και αναλύουν δοµηµένα και µη δοµηµένα δεδοµένα και πληροφόρηση. Χρησιµοποιεί ένα µεγάλο όγκο δεδοµένων που έχουν συλλεχθεί µέσω των καθηµερινών λειτουργικών διαδικασιών και τα µετατρέπει σε πληροφόρηση και γνώση. Μέσω της απόσπασης, της ενσωµάτωσης και την ανάλυσης των δεδοµένων, υποστηρίζονται οι τεχνολογικές και εµπορικές διαδικασίες. Ο όρος Επιχειρηµατική Ευφυΐα χρησιµοποιήθηκε για πρώτη φορά το 1989 από τον Howard Dressner, έναν αναλυτή της Gartner Group, προκειµένου να περιγραφούν έννοιες και µέθοδοι βελτίωσης της επιχειρηµατικής λήψης απόφασης µε τη χρήση υποστήριξης που βασίζεται σε γεγονότα. Ο όρος είχε απήχηση στους ειδικούς λήψης αποφάσεων και στα στελέχη γενικών καθηκόντων. Σήµερα η Επιχειρηµατική Ευφυΐα χρησιµοποιείται ευρέως για την περιγραφή αναλυτικών εφαρµογών και αποτελεί προτεραιότητα για πολλά διευθυντικά στελέχη. Σε µια έρευνα, η Gartner διαπίστωσε ότι τα συστήµατα Επιχειρηµατικής Ευφυΐας αποτελούσαν την νούµερο ένα τεχνολογική προτεραιότητα για το έτος Ωστόσο, σύµφωνα µε τους Lin et al. (2009), η εφαρµογή της Επιχειρηµατικής Ευφυΐας σήµερα είναι ακόµη σε πρώιµο στάδιο και οι περισσότερες επιχειρήσεις δεν µπορούν να την κατανοήσουν επαρκώς και σε βάθος. Η επιχειρηµατική ευφυΐα δίνει έµφαση στην ανάλυση µεγάλου όγκου δεδοµένων που αφορούν στην επιχείρηση και τις λειτουργίες της. Χρησιµοποιεί µια µεγάλη βάση δεδοµένων, η οποία συνήθως αποθηκεύεται σε µια αποθήκη δεδοµένων (data warehouse) ή σε ένα κέντρο δεδοµένων (data mart), που αποτελεί την πηγή της πληροφορίας και τη βάση εξεζητηµένης ανάλυσης. Η ανάλυση ποικίλλει από απλές αναφορές µέχρι απαντήσεις σε ερωτήµατα ad hoc, ανάλυση σε πραγµατικό χρόνο και πρόβλεψη. Πρόσφατες εξελίξεις στο τοµέα της επιχειρηµατικής ευφυΐας περιλαµβάνουν την µέτρηση της επιχειρηµατικής επίδοσης (business 5

6 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές performance measurement BPM), τον έλεγχο της επιχειρηµατικής δραστηριότητας (business activity monitoring BAM) και την επέκταση της επιχειρηµατικής ευφυΐας σε ένα εργαλείο που χρησιµοποιείται από άτοµα κατά µήκος του οργανισµού. Αυτό σηµαίνει ότι οι τεχνικές και τα ευρήµατα της επιχειρηµατικής ευφυΐας σταδιακά ενσωµατώνονται στις επιχειρηµατικές διαδικασίες (Negash and Gray, 2008). Τα συστήµατα Επιχειρηµατικής Ευφυΐας συνδυάζουν τη συγκέντρωση δεδοµένων, την αποθήκευση δεδοµένων και την διαχείριση γνώσης µε την ανάλυση προκειµένου να αξιολογηθεί η σύνθετη επιχειρηµατική και ανταγωνιστική πληροφόρηση, και εν συνεχεία να παρουσιαστεί στους υπεύθυνους σχεδιασµού και λήψης αποφάσεων, µε σκοπό τη βελτίωση της επικαιρότητας και της ποιότητας των εισροών στη διαδικασία λήψης απόφασης. Παρέχουν αγώγιµη πληροφόρηση και γνώση την κατάλληλη χρονική στιγµή, στην κατάλληλη τοποθεσία και µε την κατάλληλη µορφή. Η Επιχειρηµατική Ευφυΐα είναι αποτέλεσµα µιας σειράς σηµαντικών καινοτοµιών των τελευταίων δεκαετιών. Προγενέστερα συστήµατα είναι τα πρώτα συστήµατα υποστήριξης της λήψης αποφάσεων, οι γλώσσες χρηµατοοικονοµικού προγραµµατισµού τέταρτης γενιάς όπως η IFPS, συστήµατα εκτελεστικής πληροφόρησης, οι αποθήκες δεδοµένων, η ηλεκτρονική διαδικασία ανάλυσης (Online Analytical Processing - OLAP) και η εξόρυξη δεδοµένων. Κάθε επανάληψη ήταν και πιο εξεζητηµένη από την προηγούµενη. Σήµερα, το λογισµικό ενώνει όλα αυτά τα στοιχεία σε ένα µοναδικό σύστηµα (Negash and Gray, 2008). OLAP Εξόρυξη δεδοµένων Οπτικοποίηση Εξόρυξη βάσης δεδοµένων Συστήµατα Υποστήριξης Λήψης Αποφάσεων Επιχειρηµατική Ευφυΐα Διαχείριση Γνώσης CRM/DB Συστήµατα Γεωγραφικής Πληροφόρησης 6

7 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές Μέσω της Επιχειρηµατικής Ευφυΐας, οι επιχειρήσεις µαθαίνουν να προβλέπουν τις πράξεις των πελατών και των ανταγωνιστών τους και να προλαµβάνουν φαινόµενα και τάσεις της αγοράς και του κλάδου τους. Οι επιχειρήσεις χρησιµοποιούν την πληροφόρηση και τη γνώση που προκύπτει προκειµένου να υποστηρίξουν τη λειτουργική και στρατηγική λήψη αποφάσεων. Κατά το σχεδιασµό της στρατηγικής τους, οι επιχειρήσεις πρέπει να λάβουν υπόψη τις πιέσεις και τις προκλήσεις που προκύπτουν στο επιχειρηµατικό περιβάλλον ώστε να επιβιώσουν στην παγκόσµια ψηφιακή οικονοµία. Ένα ταχύτατα µεταβαλλόµενο επιχειρηµατικό περιβάλλον δηµιουργεί αυξανόµενη ανάγκη για έγκαιρη και ποιοτική επιχειρηµατική πληροφορία και γνώση. Επιπρόσθετα ο όγκος της διαθέσιµης πληροφόρησης αυξάνεται, λόγω της τεχνολογικής προόδου και είναι δύσκολη η διάκριση των σχετικών και συναφών πληροφοριών (Hannula and Pirttimaki, 2003). Ωστόσο, το ανταγωνιστικό πλεονέκτηµα προκύπτει µόνο µέσω της δυνατότητας της επιχείρησης να προβλέψει την πληροφορία, να την µετατρέψει σε γνώση και εν συνεχεία σε ευφυΐα σχετική µε το επιχειρηµατικό περιβάλλον. εξής: Μετά την παραπάνω εισαγωγική ενότητα, η δοµή της µελέτης είναι η Το δεύτερο κεφάλαιο παρουσιάζει µια βιβλιογραφική ανασκόπηση των συστηµάτων Επιχειρηµατικής Ευφυΐας και κάνει µια διάκριση ανάµεσα στα παραδοσιακά συστήµατα της τεχνολογίας αυτής και στην Προσαρµοσµένη Επιχειρηµατική Ευφυΐα. Επίσης παρουσιάζονται και αξιολογούνται οι σηµαντικότερες µέθοδοι πρόβλεψης και τα µοντέλα που χρησιµοποιούνται για την υλοποίηση των στόχων της Επιχειρηµατικής Ευφυΐας. Το τρίτο κεφάλαιο αναφέρεται στην αναλυτική και στο ρόλο που αυτή διαδραµατίζει στη σύγχρονη επιχείρηση. Επιπρόσθετα εισάγεται η έννοια της Επιχειρηµατικής Ευφυΐας σε πραγµατικό χρόνο και εξετάζεται η σηµασία της στα πλαίσια µιας εφοδιαστικής αλυσίδας. Στο τέταρτο κεφάλαιο της µελέτης παρουσιάζονται ορισµένες βασικές εφαρµογές της τεχνολογίας Επιχειρηµατικής Ευφυΐας και γίνεται η σύγκριση των διαφόρων προϊόντων. Παράλληλα προτείνονται βελτιώσεις για την περαιτέρω ανάπτυξη του τοµέα. 7

8 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές Το πέµπτο κεφάλαιο αναλύει τις βασικές λειτουργίες µιας σουίτας Επιχειρηµατικής Ευφυΐας ανοιχτής πηγής, της Pentaho BI Suite Enterprise Edition και παρουσιάζει τις δυνατότητες που αυτή παρέχει στους χρήστες. Στο έκτο κεφάλαιο συνοψίζονται τα βασικά συµπεράσµατα και αποτελέσµατα της παρούσας µελέτης. 8

9 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές ΚΕΦΑΛΑΙΟ 2 ΕΝΝΟΙΕΣ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΪΑΣ 2.1. ΑΝΑΣΚΟΠΗΣΗ ΒΙΒΛΙΟΓΡΑΦΙΑΣ Τα συστήµατα Επιχειρηµατικής Ευφυΐας αποτελούν µια σηµαντική κατηγορία συστηµάτων που παρέχουν ανάλυση δεδοµένων και αναφορές και εφοδιάζουν τα στελέχη στα διάφορα επίπεδα του οργανισµού µε έγκυρη, σχετική και εύχρηστη πληροφόρηση, προκειµένου να λαµβάνουν καλύτερες αποφάσεις (Hannula and Pirttimaki, 2003). Ενδεικτικά παραδείγµατα εργαλείων Επιχειρηµατικής Ευφυΐας αποτελούν τα λογισµικά που προσφέρονται από παρόχους όπως η COGNOS, η Business Objects και η SAS. Αυτά τα συστήµατα Επιχειρηµατικής Ευφυΐας απαιτούν εξειδικευµένη υποδοµή σε πληροφοριακή τεχνολογία προκειµένου να λειτουργήσουν αποτελεσµατικά (όπως εργαλεία ερωτήσεων, ανάλυσης και αναφορών και τις σχετικές εξειδικευµένες βάσεις δεδοµένων). Τα συστήµατα Επιχειρηµατικής Ευφυΐας συχνά εκτελούνται ως αναβαθµίσεις ERP συστηµάτων. Σύµφωνα µε την IDC, το κόστος των συστηµάτων Επιχειρηµατικής Ευφυΐας και των συσχετιζόµενων προϊόντων έφτασε τα $6,1 δις το Το επίπεδο της επένδυσης στα συστήµατα αυτά είναι αντιπροσωπευτικό της αυξανόµενης στρατηγικής τους σηµασίας. Τα συστήµατα Επιχειρηµατικής Ευφυΐας είναι στρατηγικά πληροφοριακά συστήµατα, που αναπτύσσουν οι οργανισµοί προκειµένου να βελτιώσουν τη διαδικασία λήψης αποφάσεων και το ανταγωνιστικό τους πλεονέκτηµα (Elbashir et al., 2008). Ωστόσο προκειµένου να επιτύχουν οι οργανισµοί αυτά τα πλεονεκτήµατα, τα συστήµατα Επιχειρηµατικής Ευφυΐας πρέπει να ενσωµατωθούν αποτελεσµατικά στις διοικητικές και λειτουργικές διαδικασίες (DeVoe and Neal, 2005). Συνεπώς, η επίδραση των συστηµάτων Επιχειρηµατικής Ευφυΐας στην επίδοση της επιχείρησης µπορεί να θεωρηθεί τουλάχιστον σε δυο επίπεδα (Elbashir et al., 2008): (1) στη βελτίωση της αποτελεσµατικότητας και της αποδοτικότητας της οργανωτικής δοµής και των επιχειρηµατικών διαδικασιών (εσωτερική στρατηγική) και (2) στην καλύτερη 9

10 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές επίδοση σε σχέση µε τους άλλους οργανισµούς του κλάδου (ανταγωνιστική στρατηγική). Το βασικό στοιχείο για ένα επιτυχηµένο σύστηµα Επιχειρηµατικής Ευφυΐας είναι η συγκέντρωση και ενοποίηση των δεδοµένων από πολλά διαφορετικά επιχειρησιακά λειτουργικά συστήµατα σε µια αποθήκη δεδοµένων. Οι Berson et al. (2002) δίνουν έµφαση στο δυναµικό επιχειρηµατικό περιβάλλον και θεωρούν ότι µόνο οι περισσότερο ανταγωνιστικές επιχειρήσεις θα έχουν συνεχιζόµενη επιτυχία στην αγορά. Οι οργανισµοί θα διακριθούν µέσω της ικανότητας µόχλευσης της πληροφόρησης αναφορικά µε την αγορά, τους πελάτες και τις λειτουργίες τους. Οι Moss και Atre (2003) περιγράφουν την Επιχειρηµατική Ευφυΐα ως την ενοποίηση των λειτουργικών front-office και back-office εφαρµογών. Οι Gangadharan και Swamy (2004) ορίζουν την Επιχειρηµατική Ευφυΐα ως µια επιχειρηµατική αρχιτεκτονική για µια ενοποιηµένη συλλογή λειτουργικών και υποστηρικτικών εφαρµογών και βάσεων δεδοµένων, η οποία παρέχει στην επιχειρηµατική κοινότητα εύκολη πρόσβαση στα επιχειρηµατικά δεδοµένα και της επιτρέπει να λαµβάνει ακριβείς αποφάσεις. Οι επιχειρήσεις µπορούν να λαµβάνουν καλύτερες και ορθότερες αποφάσεις σχετικά µε τους πελάτες, τους προµηθευτές, τους εργαζόµενους, τα συστήµατα logistics, τις υποδοµές, καθώς επίσης και να συλλέγουν, να αποθηκεύουν, να έχουν πρόσβαση και να αναλύουν τεράστιο όγκο δεδοµένων και αρχείων. Αρχικά τα συστήµατα Επιχειρηµατικής Ευφυΐας αντιµετωπίζονταν ως εργαλεία για την υποστήριξη της στρατηγικής λήψης αποφάσεων. Ωστόσο, οι οργανισµοί έχουν ξεκινήσει να εκµεταλλεύονται περαιτέρω τις δυνατότητες των συστηµάτων αυτών, µέσω της ανάπτυξης τεχνολογιών για την υποστήριξη ευρύτερων επιχειρηµατικών δραστηριοτήτων. Σήµερα οι επιχειρήσεις χρησιµοποιούν τα συστήµατα Επιχειρηµατικής Ευφυΐας για τη βελτίωση των λειτουργικών διαδικασιών, την εφοδιαστική αλυσίδα, την παραγωγή και την εξυπηρέτηση πελατών. Το γεγονός αυτό επέτρεψε στα διοικητικά στελέχη να έχουν πρόσβαση σε σχετικά και έγκαιρη πληροφόρηση (όπως καθηµερινές ενηµερώσεις για τους πελάτες και το προϊόν) και να λαµβάνουν καλύτερες και γρήγορες αποφάσεις. Έτσι η ανάπτυξη των συστηµάτων Επιχειρηµατικής Ευφυΐας έχει µετακινηθεί σε λειτουργικό 10

11 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές επίπεδο και οι οργανισµοί είναι σε θέση να δηµιουργήσουν ένα µεγάλο εύρος λειτουργικών ωφελειών κατά µήκος των δραστηριοτήτων αλυσίδας αξίας (Elbashir et al., 2008). Κεντρικό θέµα της Επιχειρηµατικής Ευφυΐας είναι η πλήρης χρήση των δεδοµένων προκειµένου να αποκτήσουν οι οργανισµοί ανταγωνιστικά πλεονεκτήµατα. Η διαχείριση της γνώσης είναι ένα σύνολο πρακτικών για τη δηµιουργία, την ανάπτυξη και την εφαρµογή της γνώσης προκειµένου να βελτιωθεί η επίδοση του οργανισµού. Σύµφωνα µε τους Wang et al. (2008), όπως και η Επιχειρηµατική Ευφυΐα, έτσι και η διαχείριση της γνώσης βελτιώνει τη χρήση της πληροφορίας και της γνώσης που είναι διαθέσιµες σε µια επιχείρηση. Ωστόσο, η διαχείριση γνώσης διαφέρει από την Επιχειρηµατική Ευφυΐα, κυρίως γιατί αφορά σε ανθρώπινη υποκειµενική γνώση και όχι αντικειµενική πληροφόρηση. Επιπρόσθετα η πλειοψηφία των µοντέλων που χρησιµοποιούνται στον τοµέα της διαχείρισης γνώσης δεν είναι προσανατολισµένα στην τεχνολογία. Σύµφωνα µε τους Hannula και Pirttimaki (2003), η επιχειρηµατική επιτυχία βασίζεται σε τρείς παράγοντες: Μια επιχείρηση θα πρέπει να είναι σε θέση (1) να ικανοποιήσει τα βασικά επιχειρηµατικά της καθήκοντα και (2) να δηµιουργήσει ένα επιτυχηµένο προϊόν για τους πελάτες της. Ο τρίτος παράγοντας είναι το εξωτερικό επιχειρηµατικό περιβάλλον. Η διοίκηση πρέπει να είναι σε θέση να προβλέψει τυχόν µεταβολές και να λάβει αποφάσεις βάσει αλάνθαστης πληροφόρησης σε πραγµατικό χρόνο. Επιπρόσθετα, η Επιχειρηµατική Ευφυΐα συµπεριλαµβάνει ένα µεγάλο εύρος πληροφόρησης, όπως: Ευφυΐα Πελατών (Customer Intelligence) Ευφυΐα Ανταγωνιστών (Competitor Intelligence) Ευφυΐα Αγοράς (Market Intelligence) Τεχνολογική Ευφυΐα (Technological Intelligence) Ευφυΐα προϊόντος (Product Intelligence) Περιβαλλοντική Ευφυΐα (Environmental Intelligence) Η Επιχειρηµατική Ευφυΐα είναι µια συνεχής και συστηµατική διαδικασία, η οποία παράγει γνώση, ενόραση και προβλέψεις αναφορικά µε 11

12 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές το λειτουργικό περιβάλλον της επιχείρησης. Αυξάνει την ποιότητα του στρατηγικού και λειτουργικού σχεδιασµού και µειώνει τον απαιτούµενο χρόνο των διαδικασιών λήψης απόφασης. Οι Hannula και Pirttimaki (2003) εξέτασαν τη σηµασία που δίνουν οι 50 µεγαλύτερες επιχειρήσεις της Φιλανδίας στην Επιχειρηµατική Ευφυΐα. Οι ερευνητές συµπέραναν ότι οι δραστηριότητες Επιχειρηµατικής Ευφυΐας είναι συνήθεις στις µεγάλες επιχειρήσεις της χώρας, κυρίως στον κλάδο των εταιριών πληροφοριακής τεχνολογίας. Οι περισσότερες εκ των συµµετεχόντων εταιριών τις εφαρµόζουν, διότι έχουν κατανοήσει την ανάγκη για αυξανόµενη πληροφόρηση και γνώση που θα υποστηρίξει το σχεδιασµό και τη λήψη αποφάσεων, ενώ αντίθετα η οικονοµία σε κόστος και χρόνο δεν αποτελεί σηµαντικό όφελος. Αυτό µπορεί να οφείλεται στο γεγονός ότι οι περικοπές στο κόστος είναι µακροπρόθεσµες και επίσης τα περισσότερα οφέλη που προκύπτουν από την εφαρµογή των συστηµάτων Επιχειρηµατικής Ευφυΐας δεν είναι απτά και είναι δύσκολο να ποσοτικοποιηθούν. Η Επιχειρηµατική Ευφυΐα ενσωµατώνει ανθρώπους, διαδικασίες και γνώση ως τελικό προϊόν. Οι Adelman et al. (2002) περιγράφουν την Επιχειρηµατική Ευφυΐα ως µια έννοια που περιλαµβάνει ένα µεγάλο εύρος αναλυτικού λογισµικού και λύσεων για τη συλλογή, την ενοποίηση, την ανάλυση και παροχή πρόσβασης σε πληροφόρηση µε τρόπο ώστε οι χρήστες µιας επιχείρησης να είναι σε θέση να λάβουν καλύτερες επιχειρηµατικές αποφάσεις. Ο Malhotra (2000) τονίζει ότι στα οφέλη της Επιχειρηµατικής Ευφυΐας περιλαµβάνονται η διευκόλυνση των συνδέσεων σε έναν οργανισµό, η πληροφόρηση σε πραγµατικό χρόνο και υποστηρικτικές αναλύσεις που µπορούν να εφαρµοστούν σε κάθε οριζόντιο ή κάθετο επίπεδο εντός και εκτός της επιχείρησης. Οι Gangadharan και Swamy (2004) ορίζουν την Επιχειρηµατική Ευφυΐα ως το αποτέλεσµα µιας σε βάθος ανάλυσης λεπτοµερών επιχειρηµατικών δεδοµένων, που περιλαµβάνουν βάσεις δεδοµένων, τεχνολογίες εφαρµογής και αναλυτικές πρακτικές. Οι ίδιοι ερευνητές (2004) διευρύνουν τον άνωθεν ορισµό προκειµένου να συµπεριλάβουν την πιθανή ενσωµάτωση της διαχείρισης γνώσης, ERP συστηµάτων, συστηµάτων υποστήριξης λήψης αποφάσεων και εξόρυξης δεδοµένων. 12

13 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές Οι ειδικοί θεωρούν την Επιχειρηµατική Ευφυΐα από διαφορετικές οπτικές γωνίες. Οι ειδικοί των αποθηκών δεδοµένων θεωρούν την Επιχειρηµατική Ευφυΐα ως συµπληρωµατικά συστήµατα, που είναι ακόµη νέα σε αυτούς, και τη χειρίζονται ως µια πλατφόρµα τεχνολογίας για την εφαρµογή της υποστήριξης λήψης αποφάσεων. Για τους ειδικούς στην εξόρυξη δεδοµένων, η Επιχειρηµατική Ευφυΐα είναι ένα σύνολο προηγµένων συστηµάτων λήψης αποφάσεων µε τεχνικές και εφαρµογές αλγόριθµων. Οι ειδικοί στην στατιστική µε τη σειρά τους τη θεωρούν ως ένα εργαλείο πρόβλεψης και πολυδιάστατης ανάλυσης (Sahay and Ranjan, 2008). Σύµφωνα µε τους Watson και Wixom (2007), η Επιχειρηµατική Ευφυΐα µειώνει το κόστος της υποδοµής σε πληροφοριακά συστήµατα, µέσω της εξάλειψης των πλεοναζόντων και των πανοµοιότυπων δεδοµένων που βρίσκονται σε ανεξάρτητα κέντρα δεδοµένων της επιχείρησης. Επιπρόσθετα η Επιχειρηµατική Ευφυΐα µειώνει το χρόνο που απαιτείται για τους χρήστες λόγω της περισσότερο αποτελεσµατικής παράδοσης δεδοµένων. Καθώς οι χρήστες ωριµάζουν σε ότι αφορά την ανάλυση και την πρόβλεψη, το επίπεδο των ωφελειών καθίσταται περισσότερο δύσκολο να ποσοτικοποιηθεί. Για παράδειγµα, µέσω της Επιχειρηµατικής Ευφυΐας µπορεί να καταστεί ευκολότερη η στρατηγική απόφαση εισόδου σε µια νέα αγορά, η αλλαγή προσανατολισµού της επιχείρησης µε µεγαλύτερη έµφαση στον πελάτη ή η προώθηση µιας νέας γραµµής προϊόντων. Επίσης, οι Watson et al. (2006) µελέτησαν την εφαρµογή της Επιχειρηµατικής Ευφυΐας σε πραγµατικό χρόνο στην αεροπορική εταιρία Continental Airlines. Η Continental Airlines αποτελεί ηγέτη στην Επιχειρηµατική Ευφυΐα σε πραγµατικό χρόνο και έχει λάβει πολλά βραβεία για την επίδοση της στον τοµέα αυτό. Η εταιρία µπορεί να προσδιορίσει τους πελάτες υψηλής αξίας που κινδυνεύουν να χάσουν µια πτήση και να προβεί σε όλες τις απαραίτητες ενέργειες προκειµένου να τακτοποιηθούν οι πελάτες αυτοί και οι αποσκευές τους σε άλλες πτήσεις στο σωστό χρόνο. Αυτή η διαδικασία καθίσταται δυνατή µέσω των δεδοµένων που έχουν αποθηκευτεί σε µια αποθήκη πραγµατικού χρόνου (πληροφορίες κρατήσεων πελατών, δεδοµένα πραγµατικού χρόνου σχετικά µε τις πτήσεις, τρέχουσες ώρες αφίξεων και αναχωρήσεων κ.α.). 13

14 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές Σύµφωνα µε τους Chou et al. (2005), τα εργαλεία της Επιχειρηµατικής Ευφυΐας µπορούν να αποδώσουν διάφορες θεωρήσεις της επιχείρησης µέσω του χειρισµού των υφιστάµενων δεδοµένων που συλλέγονται από τα πληροφοριακά συστήµατα της εταιρίας. Η Επιχειρηµατική Ευφυΐα µπορεί να χρησιµοποιηθεί από κάθε οργανισµό για τη δόµηση της πληροφόρησης των ERP συστηµάτων και άλλων αποθηκών δεδοµένων προκειµένου ληφθούν γρήγορες και αποτελεσµατικές αποφάσεις. Οι επιχειρήσεις που υιοθετούν την Επιχειρηµατική Ευφυΐα µπορούν να ενδυναµώσουν την ικανότητα λήψης αποφάσεων των εργαζοµένων τους µε γρηγορότερο και περισσότερο αξιόπιστο τρόπο. Εφόσον, η Επιχειρηµατική Ευφυΐα περιλαµβάνει τεχνολογίες για αναφορά, ανάλυση και διαµοιρασµό πληροφόρησης, µπορεί να ενσωµατωθεί στο σύστηµα ERP προκειµένου να µεγιστοποιήσει την απόδοση επί της επένδυσης (ROI) ΠΑΡΑΔΟΣΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΪΑΣ Τα παραδοσιακά συστήµατα Επιχειρηµατικής Ευφυΐας αποτελούνται από µια βάση δεδοµένων, µια διεπιφάνεια (interface) τελικού χρήστη, ένα λογισµικό το οποίο επεξεργάζεται την πληροφόρηση που παράγει το ίδιο το σύστηµα Επιχειρηµατικής Ευφυΐας και ένα σύστηµα αναφορών. Οι επιχειρήσεις πρέπει να αναδιαµορφώσουν τις επιχειρηµατικές διαδικασίες, ώστε να υπάρχει αποτελεσµατική διαχείριση και έλεγχος. Προκειµένου να επιτευχθεί αποτελεσµατική επιχειρηµατική επίδοση και να προσδιορισθούν οι ευκαιρίες, είναι απαραίτητη η συλλογή και η εναρµόνιση των δεδοµένων που σχετίζονται µε τις επιχειρηµατικές διαδικασίες. Τα λειτουργικά δεδοµένα των διαφορετικών επιχειρηµατικών διαδικασιών πρέπει να συλλεχθούν, να ενοποιηθούν και να προετοιµασθούν για αναλυτική λήψη αποφάσεων. Τα συστατικά στοιχεία µιας αποτελεσµατικής αρχιτεκτονικής Επιχειρηµατικής Ευφυΐας είναι µια καλά αναπτυγµένη αποθήκη δεδοµένων, ένα αποτελεσµατικό κέντρο δεδοµένων, διαχείριση µετα-δεδοµένων και αναλυτικά εργαλεία (π.χ. εξόρυξη δεδοµένων, OLAP κ.α.), όπως παρουσιάζεται στο Σχήµα

15 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές Σχήµα 2.1: Παραδοσιακή αρχιτεκτονική Επιχειρηµατικής Ευφυΐας (Πηγή: Sahay and Ranjan, 2008) Μια ολοκληρωµένη τεχνολογία Επιχειρηµατικής Ευφυΐας δεν περιλαµβάνει µόνο το σχετικό λογισµικό και τη διαχείριση της βάσης δεδοµένων, αλλά και ένα καλά θεµελιωµένο υλικό (hardware), το οποίο µπορεί να υποστηρίξει την κλιµάκωση (scalability) τόσο από τη θεώρηση των δεδοµένων όσο και από αυτή του χρήστη. Συγκεντρώνεται πληροφόρηση από διάφορες πηγές, όπως ERP, SCM και CRM και στη συνέχεια φορτώνεται µέσω εφαρµογών (extract transform applications) στην αποθήκη δεδοµένων. Προκειµένου να αποκτήσουν ανταγωνιστικό πλεονέκτηµα, οι επιχειρήσεις προσπαθούν να µειώσουν τον απαιτούµενο χρόνο αντίδρασης στις σχετικές επιχειρηµατικές λειτουργίες (Sahay and Ranjan, 2008). Για πολλά χρόνια, τα διευθυντικά στελέχη συνέλεγαν και αποθήκευαν τεράστιες ποσότητες δεδοµένων, µε την πεποίθηση ότι έτσι θα αποκτήσουν διορατικότητα. Ωστόσο γρήγορα ανακάλυψαν ότι τα µη επεξεργασµένα δεδοµένα σπάνια προσφέρουν οφέλη και η πραγµατική τους αξία έγκειται στην ικανότητα µιας επιχείρησης να τα αναλύει. Συνεπώς προέκυψε η ανάγκη για λογισµικά συστήµατα που θα είναι ικανά να ανακτούν, να συνοψίζουν και να ερµηνεύουν δεδοµένα για τελικούς χρήστες. Αυτή η ανάγκη οδήγησε στην εµφάνιση εκατοντάδων εταιριών επιχειρηµατικής ευφυΐας (business intelligence companies), µε εξειδίκευση στην παροχή λογισµικών συστηµάτων και υπηρεσιών για την εξαγωγή γνώσης από µη επεξεργασµένα δεδοµένα 15

16 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές (Michalewicz et al., 2007). Αυτά τα λογισµικά ανέλυαν τα επιχειρηµατικά δεδοµένα ενός οργανισµού και παρείχαν γνώση µε τη µορφή πινάκων, γραφηµάτων και άλλων στατιστικών εργαλείων. Για παράδειγµα, µια αναφορά επιχειρηµατικής ευφυΐας µπορεί να συµπεράνει πως το 57% των πελατών είναι µεταξύ 40 και 50 ετών ή ότι το προϊόν Χ πουλάει περισσότερο στην Αθήνα από ότι στη Θεσσαλονίκη. Η επιχειρηµατική ευφυΐα µπορεί οριστεί ως µια κατάσταση (µια έκθεση / αναφορά που περιέχει γνώση) ή ως µια διαδικασία (ένα λογισµικό που µετατρέπει δεδοµένα σε γνώση). Οι γενικοί στόχοι των περισσότερων συστηµάτων επιχειρηµατικής ευφυΐας ήταν: Η πρόσβαση σε δεδοµένα µέσω διαφόρων πηγών Η µετατροπή αυτών των δεδοµένων σε πληροφορία και στη συνέχεια σε γνώση Η παροχή εύχρηστων γραφηµάτων που θα παρουσιάσουν αυτή τη γνώση Στο Σχήµα 2.2 παρουσιάζονται οι διαδικασίες που περιλαµβάνονται στα παραδοσιακά συστήµατα επιχειρηµατικής ευφυΐας: Σχήµα 2.2: Διαδικασίες παραδοσιακών συστηµάτων Επιχειρηµατικής Ευφυΐας (Πηγή: Michalewicz et al., 2007) Δεδοµένα: συλλέγονται σε καθηµερινή βάση µε τη µορφή bits, αριθµών, συµβόλων και αντικειµένων. Πληροφορία: είναι «οργανωµένα δεδοµένα», τα οποία έχουν υποστεί προεργασία και έχουν δοµηθεί. 16

17 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές Γνώση: είναι η «ολοκληρωµένη πληροφορία», η οποία περιλαµβάνει γεγονότα και σχέσεις που είναι προϊόντα αντίληψης, ανακάλυψης ή µάθησης. Καθώς η γνώση είναι αναπόσπαστο στοιχείο κάθε διαδικασίας λήψης αποφάσεων, πολλές επιχειρήσεις θεωρούν την απόκτηση της ως τον τελικό στόχο. Ωστόσο, φαίνεται πως η γνώση δεν είναι πλέον αρκετή. Μια επιχείρηση µπορεί να «γνωρίζει» αρκετά για τους πελάτες της µπορεί να έχει εκατοντάδες πίνακες και γραφήµατα που οργανώνουν τους πελάτες κατά ηλικία, προτιµήσεις, γεωγραφική τοποθεσία και ιστορικό πωλήσεων αλλά η διοίκηση µπορεί και πάλι να µην είναι σε θέση να λάβει µια απόφαση µε βεβαιότητα. Σε αυτό το σηµείο έγκειται η διαφορά ανάµεσα στην «υποστήριξη λήψης αποφάσεων» και στη «λήψη αποφάσεων»: ακόµη και όλη η γνώση του κόσµου δεν µπορεί να εξασφαλίσει την σωστή ή τη βέλτιστη λύση. Σήµερα τα περισσότερα στελέχη αναγνωρίζουν ότι υπάρχει ένα χάσµα ανάµεσα στην κατοχή της σωστής γνώσης και την λήψη της σωστής απόφασης. Εφόσον αυτό το χάσµα επηρεάζει την ικανότητα των στελεχών σε ότι αφορά την απάντηση βασικών επιχειρηµατικών ερωτηµάτων («Τι πρέπει να γίνει προκειµένου να αυξηθούν τα κέρδη;», «Πώς θα επιτευχθεί η µείωση του κόστους;», «Πώς θα αυξηθεί το µερίδιο αγοράς;»), το µέλλον της επιχειρηµατικής ευφυΐας έγκειται σε συστήµατα που θα µπορέσουν να παρέχουν απαντήσεις και υποδείξεις και όχι µόνο γνώση σε µορφή αναφορών. Συνεπώς υπάρχει µια νέα τάση που ονοµάζεται Προσαρµοσµένη Επιχειρηµατική Ευφυΐα (Adaptive Business Intelligence). Εκτός από τον ρόλο της παραδοσιακής επιχειρηµατικής ευφυΐας (µετατροπή δεδοµένων σε γνώση), η Προσαρµοσµένη Επιχειρηµατική Ευφυΐα περιλαµβάνει και τη διαδικασία λήψης αποφάσεων, η οποία βασίζεται στην πρόβλεψη και τη βελτιστοποίηση: 17

18 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές Σχήµα 2.3: Διαδικασίες προσαρµοσµένης Επιχειρηµατικής Ευφυΐας (Πηγή: Michalewicz et al., 2007) Ενώ η επιχειρηµατική ευφυΐα συχνά ορίζεται ως µια «ευρεία εφαρµογή προγραµµάτων και τεχνολογιών για τη συλλογή, την αποθήκευση, την ανάλυση και την παροχή πρόσβασης σε δεδοµένα», ο όρος Προσαρµοσµένη Επιχειρηµατική Ευφυΐα µπορεί να οριστεί ως «η χρήση τεχνικών πρόβλεψης και βελτιστοποίησης προκειµένου να δηµιουργηθούν συστήµατα εκµάθησης λήψης αποφάσεων» (Michalewicz et al., 2007). Τα συστήµατα Προσαρµοσµένης Επιχειρηµατικής Ευφυΐας περιλαµβάνουν στοιχεία εξόρυξης δεδοµένων, µοντέλων πρόβλεψης, βελτιστοποίησης και προσαρµοστικότητας και χρησιµοποιούνται από τα στελέχη για τη λήψη ορθότερων αποφάσεων. Τα συστήµατα αυτά µπορούν να βοηθήσουν τα επιχειρηµατικά στελέχη στη λήψη αποφάσεων που αφορούν στην αύξηση της αποτελεσµατικότητας, της παραγωγικότητας και της ανταγωνιστικότητας ΠΡΟΣΑΡΜΟΣΜΕΝΗ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗ ΕΥΦΥΪΑ Τα τελευταία 50 έτη, η επιστήµη των υπολογιστών έχει προβεί σε σηµαντικές ανακαλύψεις και καινοτοµίες αναφορικά µε τον τρόπο χειρισµού των δεδοµένων από τα συστήµατα λογισµικού. Συγκεκριµένα, ορισµένες από τις βασικές καινοτοµίες των περασµένων δεκαετιών είναι οι εξής (Baeck, 2002): Δεκαετία του 50: Απλά λειτουργικά συστήµατα, βασικές γλώσσες προγραµµατισµού. 18

19 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές Δεκαετία του 60: Περισσότερο βελτιωµένα λειτουργικά συστήµατα (κυρίως UNIX), δοµηµένος προγραµµατισµός, λειτουργικός και λογικός προγραµµατισµός. Δεκαετία του 70: Διοικητικά συστήµατα σχεσιακών βάσεων δεδοµένων (relational database management systems RDBMS). Δεκαετία του 80: Συστήµατα ERP (Enterprise Resource Planning) και συστήµατα προγραµµατισµού παραγωγής (Production Planning Systems PPS). Δεκαετία του 90: Προγραµµατισµός διαδικτύου και πρόσβαση µέσω αυτού στα συστήµατα ERP και PPS. Σήµερα: Σηµασιολογική χρήση των δεδοµένων µέσω των τεχνολογιών υπολογιστικής ευφυΐας (computational intelligence technologies), που διευκολύνουν τις εφαρµογές προσαρµοσµένης επιχειρηµατικής ευφυΐας. Η άνωθεν ιεραρχία είναι προσανατολισµένη στα δεδοµένα, καθώς αυτά αποτελούν την κινητήρια δύναµη των επιχειρηµατικών εφαρµογών. Λόγω της παγκόσµιας προσβασιµότητας στα δεδοµένα µέσω του διαδικτύου και της διασύνδεσης ετερογενών βάσεων δεδοµένων, προέκυψε η ανάγκη χειρισµού των δεδοµένων όχι µόνο κατά ένα συντακτικό τρόπο, αλλά και νοηµατικά µέσω των νέων τεχνολογιών (π.χ. αντιµετώπιση δεδοµένων που χαρακτηρίζονται από ανακρίβεια, πλεονασµό, δυναµικότητα και λάθη). Τα περισσότερο σύνθετα επιχειρηµατικά προβλήµατα έχουν ένα σύνολο χαρακτηριστικών (Michalewicz et al., 2007), που καθιστά δύσκολη την επίλυση τους: Ο αριθµός των πιθανών λύσεων είναι τόσο µεγάλος, ώστε να είναι αδύνατη µια πλήρης αναζήτηση για τη βέλτιστη λύση. Αυτό σηµαίνει ότι ο αριθµός των πιθανών διαδροµών, διανοµών ή σχεδίων µεταφοράς είναι τόσο µεγάλος, ώστε να καθιστά αδύνατη την εξέταση όλων των πιθανοτήτων. Τα προβλήµατα υφίστανται σε ένα χρονικά µεταβαλλόµενο περιβάλλον. Αυτό σηµαίνει ότι η χθεσινή απόφαση, ακόµη και αν ήταν η βέλτιστη, σήµερα µπορεί να απέχει πολύ από το βέλτιστο. 19

20 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές Υφίσταται µεγάλος αριθµός περιορισµών. Για τα περισσότερα προβλήµατα, η τελική λύση θα πρέπει να ικανοποιεί πολλούς περιορισµούς που επιβάλλονται από εσωτερικούς κανονισµούς, δυναµικότητες, νόµους και προτιµήσεις. Ορισµένες φορές ακόµη και η εύρεση µιας τουλάχιστον εφικτής λύσης είναι σχετικά δύσκολη. Υπάρχουν πολλοί στόχοι (πιθανώς αλληλοσυγκρουόµενοι). Για παράδειγµα, ο τελικός στόχος πολλών προβληµάτων ορισµού χρονοδιαγραµµάτων είναι η ελαχιστοποίηση τόσο του χρόνου όσο και τους κόστους, ωστόσο οι δυο αυτοί σκοποί αντιτάσσονται ο ένας στον άλλον (µια µείωση του χρόνου οδηγεί σε αύξηση του κόστους και αντίστροφα). Ο αποτελεσµατικός έλεγχος αυτών των αντιτασσόµενων σκοπών απαιτεί ένα ολόκληρο σύνολο λύσεων (και όχι µια µόνο λύση). Ασφαλώς στην άνωθεν λίστα µπορεί να συµπεριληφθούν και άλλα χαρακτηριστικά, όπως ατελής πληροφόρηση (π.χ. µη καταγραφή των απαραίτητων δεδοµένων), «θόρυβος» στα δεδοµένα (π.χ. στρογγυλοποίηση αριθµών και υπολογισµών) και αβεβαιότητα (π.χ. µη αξιοπιστία στα δεδοµένα). Καθώς όλες οι επιχειρήσεις λειτουργούν σε ένα χρονικά µεταβαλλόµενο περιβάλλον, είναι αναγκασµένες να προσαρµόζονται συνεχώς στις περιστάσεις. Συνεπώς ένα σύστηµα Προσαρµοσµένης Επιχειρηµατικής Ευφυΐας θα πρέπει να περιλαµβάνει τρία βασικά συστατικά στοιχεία: (1) ένα στοιχείο για την πραγµατοποίηση προβλέψεων, (2) ένα στοιχείο για τη λήψη βέλτιστων αποφάσεων και (3) ένα στοιχείο για την προσαρµογή του µοντέλου πρόβλεψης σε µεταβολές τους περιβάλλοντος. Προκειµένου να δηµιουργηθεί ένα τέτοιο σύστηµα θα πρέπει να ακολουθηθούν τα τέσσερα ακόλουθα βήµατα (Michalewicz et al., 2007): 1. Προετοιµασία και διεξοδική εξέταση των διαθέσιµων δεδοµένων (εξόρυξη δεδοµένων). 2. Ανάπτυξη ενός µοντέλου πρόβλεψης βάσει των αποτελεσµάτων της εξόρυξης δεδοµένων. 3. Ανάπτυξη µιας ενότητας βελτιστοποίησης (optimization module), η οποία θα χρησιµοποιεί το µοντέλο πρόβλεψης και θα προτείνει τη βέλτιστη λύση. 20

21 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές 4. Ανάπτυξη µιας ενότητας προσαρµοστικότητας (adaptability module), η οποία θα είναι υπεύθυνη για τη προσαρµογή του µοντέλου πρόβλεψης στις µεταβολές του περιβάλλοντος. Σύµφωνα µε τον Baeck (2002), η απόδοση νοήµατος στα δεδοµένα, η απόκτηση γνώσης µέσω των δεδοµένων, η δηµιουργία των κατάλληλων µοντέλων από και για τα δεδοµένα αυτά και η βέλτιστη υποστήριξη της λήψης αποφάσεων είναι οι κεντρικές δραστηριότητες των επιχειρηµατικών διαδικασιών κατά µήκος όλης της παραγωγικής αλυσίδας (έρευνα και ανάπτυξη, τεχνικός σχεδιασµός, έλεγχος, παραγωγή, έλεγχος ποιότητας, logistics και στρατηγικό µάνατζµεντ). Αυτό το σύνολο κεντρικών δραστηριοτήτων συνοψίζεται υπό τον όρο Προσαρµοσµένη Επιχειρηµατική Ευφυΐα και υλοποιείται µέσω τεχνολογιών που περιγράφονται µε τον όρο υπολογιστική ευφυΐα (computational intelligence). Οι εξελικτικοί αλγόριθµοι (evolutionary algorithms) και ειδικότερα οι εξελικτικές στρατηγικές (evolutionary strategies) αποτελούν τις βασικές τεχνολογίες στο πεδίο της υπολογιστικής ευφυΐας. Η Προσαρµοσµένη Επιχειρηµατική Ευφυΐα εστιάζει αποκλειστικά στις επιχειρηµατικές εισροές και εκροές. Η επιχειρηµατική εισροή αναφέρεται στην αντιµετώπιση και επίλυση του προβλήµατος και στην αντιστοιχία των δεδοµένων, ενώ η επιχειρηµατική εκροή είναι η γνώση ή η λύση του προβλήµατος που προκύπτει από την προσέγγιση και που µπορεί να βελτιώσει επιθυµητές επιχειρηµατικές διαστάσεις. Οι βασικές εργασίες για την επίτευξη της βέλτιστης επιχειρηµατικής λύσης είναι η εξόρυξη των δεδοµένων (data mining) και οι εργασίες βελτιστοποίησης. Σήµερα η υπολογιστική ευφυΐα προσφέρει τεχνολογίες που επιτρέπουν την αντιµετώπιση πολύπλοκών προβληµάτων, προσφέρουν γνώση που πριν δεν ήταν προσπελάσιµη και δίνουν βέλτιστες λύσεις πολύ υψηλότερης ποιότητας από ότι στο παρελθόν. 21

22 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές Σχήµα 2.4: Προσαρµοσµένη Επιχειρηµατική Ευφυΐα (Πηγή: Baeck, 2002) Η ανάλυση και εξόρυξη των δεδοµένων έχει σαν σκοπό την ανακάλυψη κρυµµένης γνώσης, η οποία βρίσκεται σε µεγάλες ποσότητες δεδοµένων (π.χ. σε χρηµατοοικονοµικές εφαρµογές, δεδοµένα µάρκετινγκ και σε άλλους τοµείς). Η όρος γνώση υποδηλώνει ότι η εκροή θα πρέπει να είναι συµπυκνωµένη, εύχρηστη, ευανάγνωστη (δηλαδή δοσµένη µε συµβολικό τρόπο), να χρήζει ερµηνείας και να είναι σε µεγάλο βαθµό σχετική µε τα δεδοµένα. Η κατανοητή γνώση είναι περισσότερο προσιτή σε σχέση µε τα µαθηµατικά µοντέλα (περιγραφικά µοντέλα) που προκύπτουν κυρίως από στατιστικές µεθόδους, χωρίς αυτό να σηµαίνει ότι τα τελευταία δεν διαδραµατίζουν σηµαντικό ρόλο. Η αντλούµενη γνώση και τα µαθηµατικά µοντέλα συχνά χρησιµοποιούνται µαζί, µε τρόπο ώστε η γνώση να ενσωµατωθεί στο µοντέλο Εξόρυξη δεδοµένων (data mining) Τα δεδοµένα βρίσκονται σε µια ή περισσότερες αντίστοιχες βάσεις, και πρώτα θα πρέπει να γίνει αντιληπτή η δοµή κάθε βάσης δεδοµένων και οι αντίστοιχη πίνακες της (τι σηµαίνει και τι αντιπροσωπεύει κάθε στήλη). Στη συνέχεια θα πρέπει να γίνει «καθαρισµός» των δεδοµένων. Αυτή η διαδικασία αφορά σε καταστάσεις που περιλαµβάνουν απώλεια δεδοµένων, αντιφατικά ή λανθασµένα δεδοµένα κτλ. Τα δεδοµένα που εισάγονται µε το χέρι θα πρέπει να «καθαριστούν», καθώς οι άνθρωποι έχουν την τάση να κάνουν λάθη στην 22

23 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές πληκτρολόγηση και συχνά χρησιµοποιούν διαφορετικές λέξεις προκειµένου να περιγράψουν το ίδιο πράγµα. Ο «καθαρισµός» των δεδοµένων αναφέρεται στον προσδιορισµό των δεδοµένων που λείπουν, των δεδοµένων που µπορεί να έχουν εισαχθεί µε το χέρι, των δεδοµένων που είναι αντιφατικά ή λανθασµένα. Η διαδικασία εξόρυξης των δεδοµένων είναι η αναλυτική διαδικασία εύρεσης σχέσεων και προτύπων µεταξύ µεταβλητών (π.χ. η εύρεση της σχέσης µεταξύ «τιµής», «τύπου προϊόντος» κ.α.). Παρόλο που η ανακάλυψη γνώσης είναι συχνά ένας σηµαντικός στόχος της εξόρυξης δεδοµένων, µεγαλύτερο ενδιαφέρον παρουσιάζει η χρήση των αποτελεσµάτων της εξόρυξης δεδοµένων προκειµένου να δηµιουργηθεί ένα µοντέλο πρόβλεψης (π.χ. το αποτέλεσµα µιας αίτησης για δάνειο, η πιθανότητα µιας δόλιας συναλλαγής µε πιστωτική κάρτα). Αυτό συµβαίνει γιατί οι προβλέψεις έχουν άµεση εφαρµογή στη λήψη αποφάσεων, ενώ η ανακάλυψη γνώσης απλά υποστηρίζει τη διαδικασία αυτή. Συνεπώς θα πρέπει να εστιάσουµε τις προσπάθειες εξόρυξης δεδοµένων, στην εύρεση των σχέσεων και των προτύπων που υπάρχουν µεταξύ των µεταβλητών και στη συνέχεια να χρησιµοποιήσουµε τη γνώση αυτή προκειµένου να αναπτύξουµε ένα αποτελεσµατικό µοντέλο πρόβλεψης. Το κλειδί για την επιτυχή εφαρµογή της εξόρυξης δεδοµένων ως εργαλείο της Επιχειρηµατικής Ευφυΐας είναι η συνεργασία και ο διαµοιρασµός της γνώσης ανάµεσα στους χρήστες πρώτης γραµµής και τους ειδικούς τεχνολογίας σε έναν οργανισµό (Wang et al., 2008). Η εξόρυξη δεδοµένων είναι ένα ισχυρό εργαλείο Επιχειρηµατικής Ευφυΐας για την ανακάλυψη γνώσης και παράλληλα είναι µια διαδικασία διαχείρισης γνώσης γιατί περιλαµβάνει ανθρώπινη γνώση. Συνεπώς η εξόρυξη δεδοµένων συνδέει την Επιχειρηµατική Ευφυΐα µε τη διαχείριση γνώσης. Η Επιχειρηµατική Ευφυΐα και η Διαχείριση Γνώσης πρέπει να ενοποιηθούν προκειµένου να προωθηθεί η οργανωτική εκµάθηση και η αποτελεσµατική λήψη αποφάσεων και παράλληλα θα πρέπει να υπολογισθεί η αποτελεσµατικότητα της Επιχειρηµατικής Ευφυΐας βάσει της βελτίωσης της γνώσης ενός οργανισµού. 23

24 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές Πρόβλεψη Η βασική λειτουργία µιας ενότητας πρόβλεψης (prediction module, η οποία µπορεί να αποτελείται από ένα ή περισσότερα µοντέλα πρόβλεψης) είναι η δηµιουργία µιας εκροής (output) βάσει µιας εισροής (input). Δεδομέναεισροής (inputdata) Ενότηταπρόβλεψης (predictionmodule) Προβλεπόμενη εκροή(predicted output) Προκειµένου να καταστεί λειτουργική η ενότητα πρόβλεψης, θα πρέπει να γίνει «εκπαίδευση» των διαφόρων υποκείµενων µοντέλων µε τη χρήση ιστορικών δεδοµένων. Μέσω αυτής της διαδικασίας το µοντέλο πρόβλεψης «µαθαίνει» πώς να προβλέπει τις εκροές δεδοµένων των εισροών. Για παράδειγµα, έστω ότι θέλουµε να προβλέψουµε τι πωλήσεις θα κάνει ένα συγκεκριµένο µοντέλο αυτοκινήτου (µε γνωστά χαρακτηριστικά και γνωστά διανυθέντα χιλιόµετρα) σε ένα συγκεκριµένο κατάστηµα της Θεσσαλονίκης σε µια δεδοµένη χρονική στιγµή (π.χ. σε δυο εβδοµάδες). Σε αυτήν την περίπτωση, η εισροή θα είναι το κατάστηµα, το µοντέλο του αυτοκινήτου (µε τα δεδοµένα χαρακτηριστικά) και η προβλεπόµενη ηµεροµηνία πώλησης (π.χ. 15 Οκτωβρίου, εάν σήµερα είναι 1 Οκτωβρίου). Η ενότητα πρόβλεψης θα «εκπαιδευτεί» προκειµένου να µάθει να προβλέπει την τιµή πώλησης βάσει ιστορικών δεδοµένων για όλα τα συγκεκριµένα µοντέλα αυτοκινήτου στο συγκεκριµένο κατάστηµα Βελτιστοποίηση Στη συνέχεια θα γίνει η ανάπτυξη µιας ενότητας βελτιστοποίησης, η οποία θα προτείνει τη βέλτιστη λύση. Η «βέλτιστη λύση» ασφαλώς θα βασίζεται στην προβλεπόµενη εκροή της ενότητας. Η σχέση µεταξύ των ενοτήτων πρόβλεψης και βελτιστοποίησης παρουσιάζεται στο κάτωθι σχήµα 2.5: 24

25 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές Σχήµα 2.5: Σχέση µεταξύ των ενοτήτων πρόβλεψης και βελτιστοποίησης Προβλεπόμενη εκροή Ενότητα βελτιστοποίσης Ενότητα πρόβλεψης Δεδομένα εισροών (Πηγή: Michalewicz et al., 2007) Η ενότητα βελτιστοποίησης δηµιουργεί µια λύση, η οποία χρησιµοποιείται ως δεδοµένο εισροής για το µοντέλο πρόβλεψης. Αυτή η εισροή παρέχει την ανάθεση της τοποθεσίας για κάθε προϊόν, την οποία χρησιµοποιεί στη συνέχεια η ενότητα πρόβλεψης προκειµένου να δηµιουργήσει τις προβλεπόµενες τιµές πώλησης. Στη συνέχεια η ενότητα βελτιστοποίησης χρησιµοποιεί το άθροισµα όλων των προβλεπόµενων τιµών πώλησης προκειµένου να εκτιµήσει επακριβώς την ποιότητα των δεδοµένων εισροής: Όσο υψηλότερο είναι το άθροισµα των προβλεπόµενων τιµών πώλησης, τόσο καλύτερα είναι και τα δεδοµένα εισροής. Προκειµένου να µεγιστοποιήσει το άθροισµα όλων των προβλεπόµενων τιµών πώλησης, η ενότητα βελτιστοποίησης δοκιµάζει πολλούς διαφορετικούς συνδυασµούς δεδοµένων εισροής και στη συνέχεια αξιολογεί τα δεδοµένα εκροής. Στο στάδιο της βελτιστοποίησης, χρησιµοποιείται µια αντικειµενική συνάρτηση Y = f (y 1,, y m ), όπου τα y 1,, y m = M (x 1,, x n ) υποδηλώνουν την εκροή του µοντέλου δεδοµένης της εισροής x 1,, x n. Τα στοιχεία x 1,, x n είναι οι παράγοντες επηρεασµού, δηλαδή οι µεταβλητές που µπορούν να ελεγχθούν από τη διοίκηση κατά τη διαδικασία. Η αντικειµενική συνάρτηση f εκφράζει την εκροή y 1,, y m του µοντέλου, η οποία µπορεί να είναι η ποιότητα παραγωγής, τα κόστη παραγωγής, το κέρδος ανά µονάδα παραγωγής κτλ. ή ένα συνδυασµό αυτών. Στόχος του σταδίου της βελτιστοποίησης είναι η εύρεση ενός συνόλου τιµών x * * 1,, x n για τους 25

26 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές παράγοντες επηρεασµού, το οποίο µεγιστοποιεί ή ελαχιστοποιεί την τιµή της αντικειµενικής συνάρτησης. Η ανάγκη κατασκευής µοντέλων ακριβείας, τα οποία θα αντικατοπτρίζουν όλες τις σχετικές διαστάσεις της πραγµατικότητας υποδηλώσει ότι η εργασία βελτιστοποίησης καθίσταται εξαιρετικά πολύπλοκη και χαρακτηρίζεται από πολυδιάστατες, µη γραµµικές εξαρτήσεις µεταξύ των µεταβλητών x 1,, x n και των τιµών της αντικειµενικής συνάρτησης Y = f (M (x 1,, x n )). Επιπρόσθετα η συναρτησιακή εξάρτηση είναι συχνά ασυνεχής, εµπεριέχει θόρυβο ή ακόµη επηρεάζεται και από το στοιχείο του χρόνου στην περίπτωση των δυναµικών προβληµάτων βελτιστοποίησης. Αυτό σηµαίνει ότι ο υπολογισµός του Y για ένα σύνολο τιµών x 1,, x n, µε τρόπο ώστε να δηµιουργηθεί µόνο ένας µικρός αριθµός ζευγαριών ((x1i,, xmi), Yi), µπορεί να αποδειχθεί εξαιρετικά χρονοβόρος. Παρόλο που είναι διαθέσιµος ένας µεγάλος αριθµός µεθόδων βελτιστοποίησης για απλοποιηµένες υποκατηγορίες του προβλήµατος βελτιστοποίησης, η εµπειρική έρευνα της προηγούµενης δεκαετίας έδειξε ότι οι τεχνολογίες από το πεδίο της υπολογιστικής ευφυΐας (οι επονοµαζόµενοι εξελικτικοί αλγόριθµοι), είναι ιδιαιτέρως ισχυροί στην επίλυση πραγµατικών προβληµάτων. Σε πολλές επιχειρηµατικές εφαρµογές, οι δυναµικές των πραγµατικών επιχειρηµατικών διαδικασιών είναι µεγίστης σηµασίας, καθώς απαιτείται χρονική προσαρµογή των διαδικασιών σε µεταβαλλόµενες συνθήκες (για παράδειγµα το πρόβληµα του προγραµµατισµού των πτήσεων και του προσωπικού που αντιµετωπίζουν οι µεγάλες αεροπορικές εταιρίες, που απαιτεί προσαρµογή σε καθηµερινή, εβδοµαδιαία, µηνιαία κτλ. βάση). Η αυτό προσαρµοστικότητα του λογισµικού είναι το στοιχείο κλειδί στις τεχνολογίες υπολογιστικής ευφυΐας. Ένα από τα βασικά χαρακτηριστικά των εξελικτικών στρατηγικών είναι το γεγονός ότι προσαρµόζονται αυτόµατα στο πρόβληµα βελτιστοποίησης που πρέπει να επιλυθεί. Δηλαδή χρησιµοποιούν ένα στοιχείο που ονοµάζεται αυτό προσαρµογή προκειµένου να επιτευχθεί υψηλό επίπεδο ευελιξίας. Η αυτό προσαρµογή επιτρέπει σε ένα λογισµικό να προσαρµόζεται σε κάθε πρόβληµα από µια γενική κατηγορία προβληµάτων, χωρίς καµία παρέµβαση του χρήστη. Οι περισσότερες µέθοδοι βελτιστοποίησης συνοψίζονται στην 26

27 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές κάτωθι επαναληπτική διαδικασία, η οποία παρουσιάζει πως δηµιουργείται το επόµενο διάνυσµα (x 1(i+1),, x m(i+1) ) από το τρέχον (Baeck, 2002): (x 1(t+1),, x m(t+1) ) = (x 1(t), x m(t) ) + st * (v 1(t),, v m(t) ) Ο όρος (v 1(t),, v m(t) ) υποδηλώνει την κατεύθυνση του επόµενου βήµατος αναζήτησης στην επανάληψη t+1 και ο όρος s t δηλώνει το µέγεθος του βήµατος (µια τιµή κλίµακας) σε αυτήν την κατεύθυνση. Ασφαλώς το κλειδί της επιτυχίας σε ένα πρόβληµα µεγιστοποίησης είναι η εύρεση αποτελεσµατικών τρόπων για τον προσδιορισµό, σε κάθε χρονικό βήµα t, µιας κατάλληλης κατεύθυνσης και µεγέθους βήµατος. Μια εξελικτική στρατηγική το πραγµατοποιεί µε αυτό προσαρµοστικό τρόπο. Η βασική ιδέα της εξελικτικής στρατηγικής είναι η χρήση ενός µοντέλου οργανικής εξέλιξης, ως µια διαδικασία για προσαρµογή και βελτιστοποίηση. Συνεπώς, οι αλγόριθµοι χρησιµοποιούν έναν «πληθυσµό ατόµων», που αντιπροσωπεύουν πιθανές λύσεις στο πρόβληµα βελτιστοποίησης και εξελικτικούς χειριστές όπως η διακύµανση (π.χ. προσοµοίωση). Στις εξελικτικές στρατηγικές, οι πληθυσµοί µπορεί να είναι σχετικά µικροί Προσαρµοστικότητα Οι ενότητες πρόβλεψης και βελτιστοποίησης δεν είναι πλέον επαρκείς στις σηµερινές συνεχώς µεταβαλλόµενες συνθήκες. Εφόσον οι σηµερινές ακριβείς προβλέψεις µπορεί να µην είναι ακριβείς αύριο, οι ενότητες πρόβλεψης πρέπει να είναι ικανές να «µάθουν από» και να «προσαρµοστούν σε» αλλαγές του περιβάλλοντος. Η διαδικασία προσαρµοστικότητας παρουσιάζεται στο παρακάτω σχήµα 2.6: 27

28 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές Σχήµα 2.6: Διαδικασία προσαρµοστικότητας ΕνότηταΠρόβλεψης Ενότητα Προσαρμοστικότητας ΠρόσφατηΕισροή ΠρόσφατηΕκροή (Πηγή: Michalewicz et al., 2007) Προκειµένου να εντοπιστούν λάθη ανάµεσα στα προβλεπόµενα και τα πραγµατικά αποτελέσµατα, µια ενότητα προσαρµοστικότητας συγκρίνει τις προβλεπόµενες τιµές πρόβλεψης (π.χ. πρόσφατες εισροή) µε τις πραγµατικές τιµές για κάθε προϊόν (π.χ. πρόσφατη εκροή). Εάν υπάρχουν λάθη, η ενότητα προσαρµοστικότητας θα συντονίσει την ενότητα πρόβλεψης ώστε να µειωθεί το λάθος πρόβλεψης. Η ενότητα πρόβλεψης ακολουθεί συγκεκριµένους κανόνες, καθένας από τους οποίους έχει ένα βάρος (µια παράµετρος που παρέχει ένα σχετικό µέτρο της σηµασίας. Στους κανόνες που είναι περισσότερο σηµαντικοί δίνονται υψηλότερες τιµές). Τα βάρη των κανόνων µπορεί να προσαρµόζονται (π.χ. σε εβδοµαδιαία βάση) προκειµένου να συντονίζουν τις προβλέψεις σε ένα µεταβαλλόµενο περιβάλλον. Οι ενότητες πρόβλεψης, βελτιστοποίησης και προσαρµοστικότητας είναι τα βασικά στοιχεία ενός συστήµατος Προσαρµοσµένης Επιχειρηµατικής Ευφυΐας. Ωστόσο υπάρχουν και άλλα στοιχεία που είναι σηµαντικά (π.χ. εύχρηστα περιβάλλοντα γραφικών, βάση δεδοµένων για αποθήκευση πληροφορίας). 28

29 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές 2.4. ΜΕΘΟΔΟΙ ΠΡΟΒΛΕΨΗΣ ΚΑΙ ΜΟΝΤΕΛΑ Τα περισσότερα προβλήµατα πρόβλεψης µπορούν να κατηγοριοποιηθούν ως προβλήµατα ταξινόµησης, προβλήµατα παλινδρόµησης ή προβλήµατα χρονοσειρών. Όταν τοποθετηθεί ένα πρόβληµα πρόβλεψης σε µια εκ των προηγούµενων κατηγοριών, θα πρέπει να ληφθούν υπόψη δυο βασικές διαστάσεις: η αναµενόµενη εκροή και ο χρόνος. Για ορισµένα προβλήµατα υπάρχουν δυο µόνο αναµενόµενες εκροές: «ναι» ή «όχι», «σωστό» ή «λάθος», «αγόρασε» ή «πώλησε» κτλ. Πρόκειται για κλασσικά προβλήµατα ταξινόµησης, διότι προσδίδουν νέες περιπτώσεις σε µια κατηγορία. Ένα σύνηθες παράδειγµα είναι η κατηγοριοποίηση των συναλλαγών µε πιστωτική κάρτα σε δυο κατηγορίες: «δόλιες» και «νόµιµες». Ωστόσο ένα πρόβληµα ταξινόµησης µπορεί να έχει περισσότερες από δυο εκροές µάλιστα ο αριθµός των πιθανών εκροών µπορεί να είναι σηµαντικός (π.χ. διαφορετικοί τύποι ασθενειών). Σε αυτά τα προβλήµατα κατηγοριοποίησης δεν υφίσταται ο χρόνος και το µέλλον θεωρείται ως η άφιξη µιας νέας (ακόµη άγνωστης) περίπτωσης. Κάτι ανάλογο συµβαίνει και στα προβλήµατα παλινδρόµησης. Ο γενικός σκοπός της παλινδρόµησης είναι η ανακάλυψη της σχέσης µεταξύ διαφόρων ανεξάρτητων και εξαρτηµένων µεταβλητών, όπου οι εκροές είναι ένας συγκεκριµένος αριθµός. Για παράδειγµα, το επίπεδο των µισθών µπορεί προβλεφθεί ως µια συνάρτηση της θέσης απασχόλησης, της εργασιακής εµπειρίας, του αριθµού των υφισταµένων κτλ. Ένα µοντέλο παλινδρόµησης µπορεί επίσης να αποκαλύψει ποιες µεταβλητές έχουν καλύτερη ικανότητα πρόβλεψης από άλλες, ώστε να είναι εύκολος ο προσδιορισµός των εκτροπών (outliers 1 ). Και σε αυτήν την περίπτωση ο χρόνος είτε δεν υφίσταται είτε συµπεριλαµβάνεται ως µεταβλητή. Σε αντίθεση µε τα προβλήµατα ταξινόµησης και παλινδρόµησης, ο χρόνος είναι το βασικό στοιχείο στα προβλήµατα χρονοσειρών, στα οποία 1 Μιαεκτροπή(outlier)είναιμιαπαρατήρηση,ηοποίαβρίσκεταισεμιααφύσικαμεγάληαπόσταση απότιςυπόλοιπεςτιμέςενόςτυχαίουδείγματος.γιαπαράδειγμα,τοετήσιοεπίπεδομισθού1.000 τυχαίαεπιλεγμένωνεργαζομένωνμπορείνακυμαίνεταιμεταξύ και ,μεεξαίρεση τονμισθόενόςατόμου τηςεκτροπής πουανέρχεταισε ετησίως. 29

30 ΜελέτηΣυστημάτωνΕπιχειρηματικήςΕυφυΐας ΔυνατότητεςκαιΠροοπτικές κάθε περίπτωση περιλαµβάνει πολλές τιµές που µετρώνται για κάποια χρονική περίοδο στο παρελθόν. Οι εξαρτήσεις του χρόνου µεταξύ των περιπτώσεων είναι τόσο ισχυρές, ώστε να πρέπει να διατηρηθεί η χρονική αλληλουχία των περιπτώσεων. Στα προβλήµατα χρονοσειρών, η αναφορά στο µέλλον είναι σαφής και λεπτοµερής: θέλουµε να προβλέψουµε την τιµή µιας µεταβλητής στο µέλλον (αύριο, στον επόµενο µήνα κτλ). Ένα κλασσικό παράδειγµα είναι η πρόβλεψη του ΑΕΠ του επόµενου χρόνου. Είναι διαθέσιµα πολλά ιστορικά δεδοµένα και το µοντέλο πρόβλεψης µπορεί να περιλαµβάνει πολλούς πρόσθετους οικονοµικούς δείκτες ως µεταβλητές (π.χ. απασχόληση, δείκτες χρηµατοοικονοµικούς, παραγωγικούς ή πωλήσεων). Παρά την ποικιλία των προβληµάτων πρόβλεψης, υπάρχουν µόνο δυο µέθοδοι πρόβλεψης για την επίλυση τους: οι ποσοτικές (quantitative) και οι ποιοτικές (qualitative). Οι ποσοτικές µέθοδοι υποθέτουν ότι υπάρχει επάρκεια ιστορικών δεδοµένων, ώστε αυτά τα δεδοµένα να µπορούν να ποσοτικοποιηθούν µε τη µορφή αριθµών, µε την προϋπόθεση ότι τα πρότυπα του παρελθόντος θα συνεχίσουν να ισχύουν και στο µέλλον. Αντίθετα, οι ποιοτικές µέθοδοι εφαρµόζονται στην περίπτωση που µικρός µόνο αριθµός ποσοτικών δεδοµένων είναι διαθέσιµος, αλλά υπάρχει επαρκής ποιοτική γνώση. Η διαδικασία δηµιουργίας ενός µοντέλου πρόβλεψης αποτελείται από τα εξής βήµατα (Michalewicz et al., 2007): Προετοιµασία των δεδοµένων: Αυτό το στάδιο απαιτεί µετατροπή των δεδοµένων, εξοµάλυνση, δηµιουργία παράγωγων χαρακτηριστικών, επιλογή µεταβλητών, εξάλειψη δεδοµένων «θορύβου», εύρεση απολεσθέντων δεδοµένων και καθαρισµός δεδοµένων. Αυτό το στάδιο συχνά ενισχύεται από προκαταρκτική ανάλυση δεδοµένων, ώστε να προσδιοριστούν οι περισσότερο σχετικές µεταβλητές και να καθοριστεί η πολυπλοκότητα του υποκείµενου προβλήµατος. Η προετοιµασία των δεδοµένων µπορεί να είναι το πιο επίπονο στάδιο και συνήθως αποτελεί το 80% της συνολικής προσπάθειας εξόρυξης δεδοµένων. Δηµιουργία µοντέλου: Αυτό το στάδιο περιλαµβάνει µια συνολική ανάλυση των δεδοµένων και την επιλογή του καλύτερου µοντέλου πρόβλεψης βάσει της πολυπλοκότητας του προβλήµατος και της 30