MS del IV - Systemer for å håndtere kunnskap

1. MS del IV - Systemer for å håndtere kunnskap 11

2. Del IV: Oversikt • kap. 11 - Beslutningsstøtte • kap. 12 - Systemer for å understøtte gruppearbeid • kap. 13 - Kunnskapsarbeid • kap. 14 - Informasjonshåndtering 11

3. MS kap. 11 - Belslutningsstøttesystemer • Decision Support Systems (DSS) • Data mining • Executive Information Systems (EIS) • Expert Systems (ES) 11

4. Systemer for beslutningstøtte DBMS – Data base Management System MBMS – Model Based Management System (modeller for å beskrive virkeligheten) DGMS – Dialog Generation and Management System 11

5. Bakgrunn • Fra beslutningssystemer til beslutningsstøtte • Gi grunnlagsinformasjon for å kunne ta beslutninger: • Regnskapstall • Salgstall • Lagerbeholdning • Innkjøpsdata • osv. • Online prosesser gir mer informasjon, og bedre oppdatert informasjon • Gis i form av rapporter, tekst, tall, visualisering - statiske og dynamiske • og ved muligheter til å spørre systemet 11

6. Case: Oshaug Metall • Enkle oversikter over ordre- og produksjonsdata • Fordelt på forskjellige tidsperioder • I NOK og kg. • Gir grunnlag for beslutninger • OM2000 (det adm. systemet) lager tabeller, tabellene importeres automatisk til Excel som lager diagrammer m.m. 11

7. Oversikt kunde

8. Visualisering kunde

9. Detaljer kunde

10. 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) 11

11. 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. 11

12. 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 11

13. Eksempel - Finanskrisen • Komplekse modeller for å beregne risiko for lån • Modellene forutsatte fortsatt prisstigning, og at et prisfall i et område ikke påvirket et annet • Da blir nesten alle boliglån sikre • Igjen et eksempel på at formaliseringen (modellen) bare dekker en del av virkeligheten • Et tilleggsproblem er at når hele lånebehandlingen går over data, i flere ledd, blir det mindre personlig kontakt mellom aktørene. • Men, en sentral årsak til krisen var at de fleste aktørene hadde mye å tjene personlig på boblen • Se Stiglitz: Freefall 11

14. Risikoanalyse i Norge • Brukes for å vurdere risiko i en låneportefølje. • Mye å tjene på gode analyser. De banker som klarer dette selv kan operere med lavere egenkapitaldekning enn andre (Basel 2 krav til finansnæringen) • To systemer: • 1. Et avansert system som bruker komplekse matematiske modeller for å vurdere risiko. • 2. Et enklere system som bruker mer tradisjonelle metoder • Det viser seg at system 2 er foretrukket. Det er enklere, men brukerne forstår hva systemet gjør. Det har også den fordelen at brukerne forstår begrensningene.

15. ”Data Warehousing” & ”Data mining” • Bakgrunn: • 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. 11

16. Case: DOE studie • Studerte artikkelsamlinger i en 30-års periode innen fysikk for Department of Energy i USA. • 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” 11

17. Case: Utnytte Web • Heter det ”we live in the West Coast”, skal vi si ”on …” eller kanskje bruke ”at”? • Søker i Google • ”we live at the west coast” – 2 occurrences • ”we live on the west coast” – 4,240,000 occurrences • ”we live in the west coast” – 7,680,000 occurrences 11

18. Korrekturlesing • Vi har utviklet et system som kan utføre korrektur basert på denne metoden • Kan finne feil som ”at London”, ”I have a red far”, ”we had ice ctream for desert”, ”Mount Everst is 1000 meter high”… • Ide, å sammenligne med hva andre har skrevet • Bruke data på Web til å lage en tekstsamling (et data ”warehouse”)

19. ”Data warehousing” • Metadata (”data om data”), standardiserte elementer. Høyt formaliseringsnivå for record-baserte data, lavere for dokument. XML kan være nyttig her. • Kvalitet. Problemer: • Data er samlet inn for ett formål kan ikke alltid utnyttes for ett annet • Data kan være svært kontekstavhengig (f.eks. email) • Data blir tolket forskjellig til forskjellig tid (eks.: penger og inflasjon, karakterer, ..) • Endringer (tall til bokstavkarakterer) • Data blir representert på forskjellige måte (papir, forskjellige elektroniske formater) 11

20. Executive IS (EIS) • Brukt til å gi: • Data om organisasjonen (salg, produksjon, fortjeneste, budsjetter, markedsutvikling…) • 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 11

21. 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 • I dag kan vi få online data 11

22. Benyttes til: • Finansoversikt • Markedsoversikt • Salg • Planlegging • Personelloversikt 11

23. 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 11

24. EIS systemet: • Fleksibelt (verden endrer seg) • Godt brukergrensesnitt • Gode vedlikeholdsrutiner • Pålitelige systemer • Kompatibelt med andre systemer 11

25. 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 11

26. Case:Energiregnskapssystem for Molde kommune • 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 11

27. Case:Turbokforlaget • System som håndterer: • leveringer • fakturering • regnskap • skatt • Tar ut data til Excel for analyse av markeder, salgstall, opplagstall, m.m. 11

28. Case: Høgskolen i Molde • Sentrale data vil være: • Studentopptak (antall, studier, karakterer fra videregående, faglig bakgrunn) • Studentgjennomføring • Arbeidsmarkedet • Student-tilfredstillelse • Ansatt-tilfredstillelse • Viktig å sammenligne med andre institusjoner, f.eks.: • Gjelder utviklingen bare oss? • Eller er dette en generell trend?

29. 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 11

30. 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 11