Oργανωσιακή μάθηση . Οι οργανισμοί που μαθαίνουν, πρέπει να είναι ικανοί να αναπροσαρμόζουν τη συμπεριφορά τους, ώστε να ανταποκρίνονται κατάλληλα σε.

Παρουσίαση με θέμα: "Oργανωσιακή μάθηση . Οι οργανισμοί που μαθαίνουν, πρέπει να είναι ικανοί να αναπροσαρμόζουν τη συμπεριφορά τους, ώστε να ανταποκρίνονται κατάλληλα σε."— Μεταγράφημα παρουσίασης:

1 Oργανωσιακή μάθηση . Οι οργανισμοί που μαθαίνουν, πρέπει να είναι ικανοί να αναπροσαρμόζουν τη συμπεριφορά τους, ώστε να ανταποκρίνονται κατάλληλα σε κάθε επαγγελματική πρόκληση και το πράττουν αυτό δημιουργώντας νέες επιχειρηματικές διεργασίες και μεταβάλλοντας τα πρότυπα της διευθυντικής λήψης αποφάσεων. Αυτή η διαδικασία αλλαγής ονομάζεται οργανωσιακή μάθηση. Υποστηρίζεται ότι οι οργανισμοί που μπορούν να αισθάνονται γρήγορα το περιβάλλον τους και να αποκρίνονται, θα επιβιώσουν περισσότερο από τους οργανισμούς που έχουν κακούς μαθησιακούς μηχανισμούς.

2 Τα πέντε βήματα της αξιακής αλυσίδας διαχείρισης γνώσης.
Τα πέντε βήματα της αξιακής αλυσίδας διαχείρισης γνώσης. Κάθε στάδιο της αλυσίδας αξίας προσθέτει αξία στα ανεπεξέργαστα δεδομένα και τις πληροφορίες καθώς μετασχηματίζεται σε χρησιμοποιήσιμη γνώση. Ένα εύστοχο σλόγκαν στον τομέα της διαχείρισης γνώσεων είναι ότι "η αποτελεσματική διαχείριση γνώσεων είναι κατά 80% διοικητική και οργανωσιακή δραστηριότητα και κατά 20% τεχνολογική

3 Επιχειρηματική ευφυΐα

4 Επιχειρηματική ευφυΐα

5 Επιχειρηματική ευφυΐα

6 Εφαρμογές Επιχειρηματικής ευφυΐας
Εφαρμογές Επιχειρηματικής ευφυΐας

7

8

9 Αρχιτεκτονική Συστημάτων ΕΕ
Data Marts and cubes Source Systems Data Warehouse Clients Query Tools Reporting Analysis Data Mining 1 2 3 4 Design of Extract, Transform Creation of Data Data Warehouse Loading (ETL) OLAP Cubes Analysis ΕΚΔΗΛΩΣΗ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΪΑΣ ΣΤΟ ΔΗΜΟΣΙΟ ΤΟΜΕΑ

10 Αποθήκες Δεδομένων - Data Warehouses
Μία εννοποιημένη, πλήρης και συνεπής βάση δεδομένων, η οποία περιέχει πληροφορίες από διαφορετικές πηγές δεδομένων, διαθέσιμες στο χρήστη σε μία μορφή απλή, κατανοητή και χρήσιμη στη λήψη επιχειρηματικών αποφάσεων. W.H. Inmon: A data warehouse is a subject-oriented, integrated, time-varying, non-volatile collection of data that is used primarily in organizational decision making. ΕΚΔΗΛΩΣΗ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΪΑΣ ΣΤΟ ΔΗΜΟΣΙΟ ΤΟΜΕΑ

11 Φάση Extract-Transform-Loading
Προδιαγραφή και υλοποίηση όλων των διαδικασιών ενοποίησης, μετατροπής, καθαρισμού και εισαγωγής δεδομένων στην Αποθήκη Δεδομένων διαφορετική κωδικοποίηση τιμές που λείπουν ή έχουν λάθος τιμές δεδομένα που αντιπροσωπεύουν την ίδια οντότητα διαδικασία refresh ΕΚΔΗΛΩΣΗ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΪΑΣ ΣΤΟ ΔΗΜΟΣΙΟ ΤΟΜΕΑ

12

13 Επιχειρησιακή ευφυΐα στο Δημόσιο τομέα

14 ΕΚΔΗΛΩΣΗ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΪΑΣ ΣΤΟ ΔΗΜΟΣΙΟ ΤΟΜΕΑ
Τομέας Οικονομικών (1) Η κύρια ιδέα είναι η καταγραφή σε μία κεντρική αποθήκη δεδομένων των διαφόρων οικονομικών στοιχείων κινήσεων των φορολογούμενων, συνδυασμός δημογραφικών στοιχείων, εταιρικά δεδομένα και παραγωγή αναφορών που σχετίζονται με: Παρακολούθηση εξέλιξης εσόδων και εκτέλεσης της φορολογικής πολιτικής συνολικά αλλά και ανά Περιφέρεια/ΔΟΥ. Διαμόρφωση προφίλ φορολογούμενου (με καταγραφή όλου του ιστορικού συναλλαγών) για την υποστήριξη βαθμολόγησης κινδύνου (φοροδιαφυγής) και διενέργειας στοχευμένων φορολογικών ελέγχων. ΕΚΔΗΛΩΣΗ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΪΑΣ ΣΤΟ ΔΗΜΟΣΙΟ ΤΟΜΕΑ

15 Τομέας Κοινωνικής Ασφάλισης (1)
Η εστίαση σε μία λύση επιχειρηματικής ευφυΐας είναι η οικονομική διάσταση της διαχείρισης της κοινωνικής ασφάλισης. Η κύρια ιδέα είναι η καταγραφή σε μία κεντρική αποθήκη δεδομένων των στοιχείων των ασθενών, της ασφαλιστικής τους κάλυψης, των επισκέψεων στο κέντρο υγείας και η ανάλογη συνταγογράφηση. ΕΚΔΗΛΩΣΗ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΪΑΣ ΣΤΟ ΔΗΜΟΣΙΟ ΤΟΜΕΑ

16 Τομέας Κοινωνικής Ασφάλισης (2)
Παραδείγματα: Παρακολούθηση εξέλιξης εσόδων και εκτέλεσης της εισπρακτικής διαδικασίας συνολικά αλλά και ανά περιφέρεια. Περιορισμός εισφοροδιαφυγής μέσω της ανάλυσης του προφίλ κάθε Εργοδότη / Ασφαλισμένου. Παρακολούθηση Μονάδων Πρωτοβάθμιας Φροντίδας Υγείας Ασφαλιστικών Ταμείων. Ένα αντιπροσωπευτικό παράδειγμα από τη διεθνή εμπειρία είναι το κοινωνικό σύστημα ασφάλισης Medicare/ Medicaid στις Η.Π.Α., το οποίο αναλύει τις συνταγογραφήσεις με σκοπό την πολυδίαστατη οικονομική ανάλυση ως προς πολιτεία, περιοχή, είδος φαρμάκου, πάθηση, κ.α. ΕΚΔΗΛΩΣΗ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΪΑΣ ΣΤΟ ΔΗΜΟΣΙΟ ΤΟΜΕΑ

17 ΕΚΔΗΛΩΣΗ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΪΑΣ ΣΤΟ ΔΗΜΟΣΙΟ ΤΟΜΕΑ
Τομέας Παιδείας (1) Ο τομέας της παιδείας είναι από τους πιο κρίσιμους τομείς ενός κράτους εφόσον αποτελεί πηγή παραγωγής του νέου εργατικού δυναμικού της χώρας και συμβάλει στην προώθηση των επιστημών και της έρευνας. Κεντρικός άξονας είναι η δημιουργία αποθήκης δεδομένων που να συμπεριλαμβάνει πληροφορίες από όλους τους φορείς παροχής παιδείας σε όλο το φάσμα τους (πρωτοβάθμια, δευτεροβάθμια και τριτοβάθμια εκπαίδευση). Μια άλλη προσέγγιση είναι ή αποθήκη δεδομένων να περιοριστεί σε κάθε φορέα παροχής παιδείας ή στο σύνολο των φορέων παροχής παιδείας της ίδιας κατηγορίας. ΕΚΔΗΛΩΣΗ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΪΑΣ ΣΤΟ ΔΗΜΟΣΙΟ ΤΟΜΕΑ

18 ΕΚΔΗΛΩΣΗ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΪΑΣ ΣΤΟ ΔΗΜΟΣΙΟ ΤΟΜΕΑ
Τομέας Παιδείας (2) Συσχέτιση δεδομένων όπως αν ή εργασία παράλληλα με την διεξαγωγή των σπουδών αυξάνει ή όχι τον χρόνο διεκπεραίωσης των σπουδών, αν η εργασιακή εμπειρία βοηθά στην καλύτερη κατάρτιση των φοιτητών, αν ο βαθμός του απολυτηρίου συσχετίζεται με τον βαθμό πτυχίου κλπ Στοιχεία για την διαχείριση των οικονομικών των φορέων παροχής παιδείας (πχ έξοδα για έρευνα, για υλικοτεχνική υποδομή κλπ) Κατηγοριοποίηση μαθητών/ φοιτητών /δασκάλων /καθηγητών ανάλογα με τα επιστημονικά ενδιαφέροντά τους. Ανακάλυψη πληθυσμών μαθητών/φοιτητών με μαθησιακές δυσκολίες Ανακάλυψη των καλύτερων μεθόδων διδασκαλίας ΕΚΔΗΛΩΣΗ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΪΑΣ ΣΤΟ ΔΗΜΟΣΙΟ ΤΟΜΕΑ

19 Προβλήματα και Δυσκολίες

20 Ερωτηματα που ζητουν απαντηση
Ερωτηματα που ζητουν απαντηση

21

22

23 Εξόρυξη Δεδομένων

24 Εξόρυξη Δεδομένων Βρίσκει κρυμμένα μοτίβα και συσχετίσεις σε μεγάλες βάσεις δεδομένων και συνάγει από αυτά κανόνες για πρόβλεψη μελλοντικής συμπεριφοράς Τύποι πληροφοριών από την εξόρυξη δεδομένων Συσχετίσεις: Περιστατικά που συνδέονται με μοναδικό γεγονός Ακολουθίες: Χρονική σύνδεση γεγονότων Ταξινομήσεις: Μοτίβα που περιγράφουν την ομάδα στην οποία ανήκει ένα είδος Ομαδοποιήσεις: Ανακάλυψη αταξινόμητων ακόμη ομάδων Πρόβλεψη: Χρησιμοποιεί σειρά τιμών για την πρόβλεψη μελλοντικών τιμών

25

26 Εντοπισμός και διαχείριση οικονομικού εγκλήματος/απάτης
Εφαρμογές Yγεια, υπηρεσίες πιστωτικών καρτών, τηλεπικοινωνίες κτλ. Προσέγγιση Χρήση ιστορικών στοιχείων για την δόμηση μοντέλων κανονικής και λανθασμένης συμπεριφοράς και χρήση τεχνικών εξόρυξης δεδομένων για τον προσδιορισμό λανθασμένων στιγμιοτύπων Παραδείγματα Ασφάλεια αυτοκινήτων: εντοπισμός ομάδων που προκαλούν ατυχήματα για την είσπραξη της ασφάλειας Ξέπλυμα χρήματος: εντοπισμός ύποπτων δοσοληψιών χρημάτων Ιατρική ασφάλεια: εντοπισμός επαγγελματιών ασθενών, ακατάλληλων ιατρικών θεραπειών Εντοπισμός τηλεφωνικού σφάλματος: Μοντέλο τηλεφωνικής κλήσης: προορισμός κλήσης, διάρκεια, χρονική στιγμή ημέρας/εβδομάδας. Ανάλυση προτύπων που αποκλίνουν από τα αναμενόμενα

27 Εντοπισμός και Διαχείριση Απατών (1)
Εφαρμογές Χρησιμοποιείται ευρέως σε υγειονομική περίθαλψη, κοινωνικά επιδόματα, λιανικό εμπόριο, τηλεπικοινωνίες, πιστωτικές κάρτες, κλπ. Προσέγγιση Δημιουργία μοντέλου βάσει προηγούμενων στοιχείων απατών και χρήση τεχνολογιών εξόρυξης για εντοπισμό παρόμοιων περιστατικών Παραδείγματα Ασφάλειες αυτοκινήτων: εντοπισμός ομάδων που σκηνοθετούν ατυχήματα ώστε να καρπωθούν τις αποζημιώσεις Ξέπλυμα χρήματος: εντοπισμός ύποπτων χρηματικών συναλλαγών Νοσοκομεία: εντοπισμός επαγγελματιών ασθενών και κυκλώματα γιατρών-υπαλλήλων

28 Εντοπισμός και Διαχείριση Απατών (2)
Εντοπισμός τηλεφωνικών απατών Μοντέλο τηλεφωνημάτων: προορισμός κλήσης, διάρκεια, ώρα και μέρα, κλπ. Εντοπισμός προτύπων που αποκλίνουν κατά πολύ από το αναμενόμενο. Εμπόριο Ανάλυση συμπεριφοράς προσωπικού Υπάρχουν αναλύσεις που δείχνουν ότι μέχρι και το 38% της μείωσης των πωλήσεων οφείλεται σε μη έντιμους εργαζόμενους. Α. Νανόπουλος, Γ. Μανωλόπουλος: Εισαγωγή στην Εξόρυξη και τις Αποθήκες Δεδομένων

29 Άλλες εφαρμογές Σπορ Αστρονομία Συμπεριφορά στπ διαδίκτυο
Ανάλυση παιχνιδιού αντιπάλου Αστρονομία JPL - Palomar Observatory: ανακάλυψη 22 νέων quasars Συμπεριφορά στπ διαδίκτυο Η IBM Surf-Aid εφαρμόζει αλγορίθμους εξόρυξης δεδομένων σε logs του διαδικτύου για εντοπισμό επισκέψεων σε σελίδες εμπορικού περιεχομένου με σκοπό να ανακαλύψει προτιμήσεις πελατών, να αναλύσει την αποτελεσματικότητα του Web marketing, της βελτίωσης των ιστοσελίδων, κλπ. Α. Νανόπουλος, Γ. Μανωλόπουλος: Εισαγωγή στην Εξόρυξη και τις Αποθήκες Δεδομένων

30 ΤΕΧΝΙΚΕΣ ΕΞΟΡΥΞΗΣ ΔΕΔΟΜΕΝΩΝ
ΤΕΧΝΙΚΕΣ ΕΞΟΡΥΞΗΣ ΔΕΔΟΜΕΝΩΝ

31 Βασικά Βήματα Διαδικασίας Ανακάλυψης Γνώσης
Επιλογή (Selection): Απόκτηση δεδομένων από διάφορες ετερογενείς πηγές. Προεπεξεργασία (Preprocessing): Εσφαλμένα, προβληματικά ή ελλείποντα δεδομένα τακτοποιούνται (μπορεί να απαιτήσει το 60% της προσπάθειας!) Μετασχηματισμός (Transformation): Μετατροπή ετερογενών δεδομένων σε κοινή τυποποίηση για επεξεργασία. Εξόρυξη δεδομένων (Data mining): Εφαρμογή αλγορίθμων για παραγωγή μοντέλου. Διερμηνεία/Αξιολόγηση (Interpretation/Evaluation): Παρουσίαση των αποτελεσμάτων της εξόρυξης δεδομένων στους χρήστες για αξιολόγηση (χρήση μεθόδων οπτικοποίησης και GUI).

32 Ανακάλυψη γνώσης από δεδομένα
Γνώση Αξιολόγηση προτύπων Εξόρυξη δεδομένων: η κεντρική διαδικασία στην ανακάλυψη γνώσης. Πρότυπα Εξόρυξη δεδομένων Επεξεργασμένα δεδομένα Επιλεγμένα δεδομένα Επεξεργασία & Μετασχηματισμός Επιλογή Αποθήκη δεδομένων Ενοποίηση δεδομένων Βάσεις δεδομένων Αρχεία

33 Κατηγοριοποίηση

34 Παράδειγμα Κατηγοριοποίησης
Σύνολο ελέγχου Παράδειγμα Κατηγοριοποίησης Ιδιότητες Class Model Learn Επιστρ ΟικΚατ Εισοδ ΝΑΙ ΟΧΙ Ναι Οχι Έγγαμος Άγαμος Διαζευγ < 80K >= 80K Σύνολο εκμάθησης Α. Νανόπουλος, Γ. Μανωλόπουλος: Εισαγωγή στην Εξόρυξη και τις Αποθήκες Δεδομένων

35 Διαδικασία Κατηγοριοποίησης: Χρήση Μοντέλου για Πρόβλεψη
Classifier Testing Data Unseen Data (Jeff, Professor, 4) Tenured?

36

37 Δενδρικοί Κανόνες Δοσμένης μια εγγραφής δεδομένων το δέντρο οδηγεί από τη ρίζα σε ένα φύλλο. Μπορούμε να κατασκευάσουμε κανόνες κατηγοριοποίησης ακολουθώντας κάθε μονοπάτι από τη ρίζα σε φύλλο: LHS σύζευξη των κατηγορημάτων, RHS η τιμή του φύλλου Ένας κανόνας για κάθε φύλλο Age > 25 <= 25 No Car Type Other Sports, Truck No Yes (16  age  25)  (cartype  {Sports, Truck})  highrisk = true

38

39 Ορισμοί Κανόνων Συσχέτισης
Κανόνας Συσχέτισης: συνεπαγωγή X  Y όπου X,Y  I και X  Y =  Υποστήριξη Κ.Σ. X  Y: ποσοστό συναλλαγών που περιέχουν το σύνολο X Y, δηλαδή ίσο με P(X Y) Εμπιστοσύνη Κ.Σ. X  Y: πηλίκο του αριθμού των συναλλαγών που περιέχουν το X  Y προς αυτά που περιέχουν το X, δηλαδή ίσο με P(Υ/Χ) ‘Aξιο αναφοράς ότι δε ισχύει η μεταβατική ιδιότητα.

40 Ανάλυση Καλαθιού Αγορών
Καταγραφή αντικειμένων που αγοράζονται μαζί Χρήσεις Τοποθέτηση προϊόντων Προώθηση προϊόντων Διαχείριση αποθεμάτων Αντικειμενικός σκοπός: αύξηση πωλήσεων, μείωση κόστους Πολλές άλλες εφαρμογές: ρομποτική, διαδίκτυο.

41 Basket analysis

42 Παράδειγμα Κανόνων Συσχέτισης
I = { Beer, Bread, Jelly, Milk, PeanutButter} Υποστήριξη {Bread,PeanutButter} is 60%

43 Παράδειγμα Κανόνων Συσχέτισης

44

45 RFM ΑΝΑΛΥΣΗ

46 RFM ΑΝΑΛΥΣΗ Βαθμολογία : Αν ο πελάτης βρίσκεται στην πρώτη ομάδα τότε βαθμολογείται με 1, αν είναι στην δεύτερη τότε βαθμολογείται με 2 κ.ο.κ. Άρα η βαθμολογία για κάθε κριτήριο θα είναι από 1 έως 5. Όσο πιο μικρό βαθμό έχει ένας πελάτης τόσο πιο καλός είναι.

47 RFM R F M RFM CODE ΠΕΛΑΤΗΣ 1 1 111 ΠΕΛΑΤΗΣ 2 5 3 4 534 ΠΕΛΑΤΗΣ 3 2 432

48 Ποσοστό επί του συνόλου
ABC analysis Κωδικός Πελάτη Τζίρος Πελάτη Ποσοστό επί του συνόλου Αθροιστικό ποσοστό Κατηγορία Πελάτη Έκπτωση πελάτη 101 453,00 € 102 1.890,00 € 103 2.780,00 € 104 2.880,00 € 2.200,00 € 105 432,00 € 106 232,00 € 107 245,00 € 108 840,00 € 109 2.000,00 € 110 133,00 € 111 1.100,00 € 112 234,00 € 113 2.550,00 € 114 368,00 € 115 327,00 € 116 2.659,00 € 117 2.890,00 € 126 321,00 € 129 222,00 € 132 998,00 € 133 920,00 € 143 333,00 € 144 267,00 € Synola 27.274,00 €

49 Ποσοστό επί του συνόλου
ABC analysis Κωδικός Πελάτη Τζίρος Πελάτη Ποσοστό επί του συνόλου Αθροιστικό ποσοστό Κατηγορία Πελάτη Έκπτωση πελάτη bonus 70,00% 90,00% 10.000 117 2.890,00 € 10,60% A 1.059,62 € 104 2.880,00 € 10,56% 21,16% 1.055,95 € 103 2.780,00 € 10,19% 31,35% 1.019,29 € Α 7 116 2.659,00 € 9,75% 41,10% 974,92 € B 6 113 2.550,00 € 9,35% 50,45% 934,96 € C 11 2.200,00 € 8,07% 58,51% 806,63 € 109 2.000,00 € 7,33% 65,85% 733,30 € 102 1.890,00 € 6,93% 72,78% 692,97 € a 111 1.100,00 € 4,03% 76,81% 403,31 € 132 998,00 € 3,66% 80,47% 365,92 € 133 920,00 € 3,37% 83,84% 337,32 € 108 840,00 € 3,08% 86,92% 307,99 € 101 453,00 € 1,66% 88,58% 166,09 € 105 432,00 € 1,58% 90,17% 158,39 € 114 368,00 € 1,35% 91,52% 134,93 € 143 333,00 € 1,22% 92,74% 122,09 € 115 327,00 € 1,20% 93,94% 119,89 € 126 321,00 € 1,18% 95,11% 117,69 € 144 267,00 € 0,98% 96,09% 97,90 € 107 245,00 € 0,90% 96,99% 89,83 € 112 234,00 € 0,86% 97,85% 85,80 € 106 232,00 € 0,85% 98,70% 85,06 € 129 222,00 € 0,81% 99,51% 81,40 € 110 133,00 € 0,49% 100,00% 48,76 € Synola 27.274,00 € 100% 10000

50 ΕΚΔΗΛΩΣΗ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΪΑΣ ΣΤΟ ΔΗΜΟΣΙΟ ΤΟΜΕΑ
Συμπεράσματα Η επιχειρηματική ευφυΐα αναγνωρίζεται σαν η πιο σημαντική προτεραιότητα των CIOs διεθνώς για τα επόμενα δύο χρόνια. Ο δημόσιος τομέας υπολείπεται του ιδιωτικού σε υλοποιήσεις ΕΕ τουλάχιστον κατά 50% (Ελλάδα;) Υπάρχει μεγάλο πεδίο εφαρμογών ΕΕ στο δημόσιο τομέα με μεγάλα κέρδη στα λειτουργικά έξοδα των υπηρεσιών και στo σχεδιασμό πολιτικών για την εξυπηρέτηση/ικανοποίηση του πολίτη. ΕΚΔΗΛΩΣΗ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΪΑΣ ΣΤΟ ΔΗΜΟΣΙΟ ΤΟΜΕΑ