MS del IV - Systemer for å håndtere kunnskap

Del IV: Oversikt kap Beslutningsstøtte kap Systemer for å understøtte gruppearbeid kap Kunnskapsarbeid kap Informasjonshåndtering

MS kap Belslutningsstøttesystemer Decision Support Systems (DSS) Data mining Executive Information Systems (EIS) Expert Systems (ES)

Systemer for beslutningstøtte DBMS – Data base Management System MBMS – Model Based Management System DGMS – Dialog Generation and Management System

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

Case: Oshaug Metall Enkle oversikter over ordre- og produksjonsdata Fordelt på forskjellige tidsperioder I NOK og kg. Gir grunnlag for beslutninger

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)

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.

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

”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.

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”

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 treff ”in the west coast” gir treff (mange fra New Zealand) ”at the west coast” gir 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

”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. ) 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)

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

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

Benyttes til: Finansoversikt Markedsoversikt Salg Planlegging Personelloversikt

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

EIS systemet: Fleksibelt (verden endrer seg) Godt brukergrensesnitt Gode vedlikeholdsrutiner Pålitelige systemer Kompatibelt med andre systemer

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

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

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

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