Izbrana Poglavja iz Informacijskih Tehnologij (IPIT)

1. Izbrana Poglavja iz Informacijskih Tehnologij(IPIT) prof. dr. Bojan Cestnik Temida d.o.o. & Jozef Stefan Institute Ljubljana bojan.cestnik@temida.si

2. Uvod v predmet IPIT  Modeliranje z UML  Načrtovanje IS po RUP  Geografski informacijski sistemi  E-poslovanje Varnost informacijskih sistemov Vsebina

3. Vrste e-poslovanja Arhitektura e-poslovanja in spletne storitve Upravljanje odnosov s strankami (CRM) Kaj so marketinški odnosi “Data mining” – odkrivanje zakonitosti v podatkih Uporaba odkrivanja zakonitosti v podatkih v marketingu pri upravljanju odnosov s strankami E-poslovanje

4. Poslovanje z uporabo informacijskih in komunikacijskih tehnologij Oskrbovanje, prodajanje, izmenjavanje Izdelkov, storitev in podatkov Poslovanje “brez papirja” Opredelitev e-poslovanja

5. E-poslovanje

6. Vrste e-poslovanja e-trgovanje e-nabava e-storitve digitalni izdelki m-poslovanje Podjetje Stranke Kupci, Dobavitelji B2B B2B, B2C e-poslovanje v organizaciji e-poslovanje s strankami

7. Brez uporabe IKT (angl. brick-and-mortar organizations) Nekaj IKT (angl. click-and-brick organizatons) Izključno uporaba IKT (angl. virtual organizations) Uporabe e-poslovanja v organizacijah

8. Arhitekture e-poslovanja I ponudnik spletnih storitev internet požarni zid P2P internet gostitelj spletne strani internet, intranet požarni zid

9. Arhitekture e-poslovanja II poslovanje med podjetji internet požarni zid požarni zid ponudnik storitev e-tržnice internet internet požarni zid požarni zid

10. Servisno-orientirana arhitektura (SOA) Service provider • bind: • describe via WSDL • connect via SOAP publish via UDDI Service broker Service consumer find via UDDI

11. SOA meta-model

12. Protokoli spletnih storitev Vir: http://roadmap.cbdiforum.com/reports/protocols/

13. Donosnost potencialnih sprememb In-house optimisation Shared services Outsourcing High • Centralisation • Profit centre orientation • Restructuring • Standardisation • Services, quality and prices can be flexibly negotiated, based on benchmarks • Concentration on leadership and management • Process reengineering • Change of location • Consolidation of resources • Specialization • Standardisation Economic efficiency Low Low Changes in the organisation High Vir: E-Government Guide Germany, A. Zechner (ed.), Shared services, G. Lietz

14. Pričakovana rast e-poslovanja 15-20% na leto IBM 2011: vključitev trenda družabnega poslovanja (angl. social business) v svojo vizijo Prihodnost e-poslovanja

15. Pritiski Tržni Socialni Tehnološki Odzivi Prilagajanje poslovnih procesov Vlaganje v izboljšave Učinkovitejši CRM Poslovna zavezništva Organizacije in okolje

16. Globalna dosegljivost Nižji stroški Boljše poslovanje oskrbovalnih verig Več izdelkov bolje prilagojenih potrošnikom Dostava po želji Prednosti e-poslovanja

17. Tehnološke omejitve Pomanjkanje standardov za kakovost, varnost in zanesljivost Nezadostna prepustnost omrežij (mobilna omrežja) Težavna integracija e-rešitev Druge omejitve Pomanjkanje zaupanja Odprta pravna vprašanja Goljufije, prevare Težave e-poslovanja

18. Marketinški odnosi in marketing Vloga “Data mining” tehnologij Praktični primeri CRM - Upravljanje odnosov s strankami

19. “Marketing odnosov, omrežij in interakcij” Razvijanje dolgoročnih odnosov s strankami Ustvarjanje vrednosti preko interakcije s strankami “Win – win” koncept: vsi akterji v odnosu pridobijo Kaj so marketinški odnosi (MO)? (vir: Total Relationship Marketing, Gummesson 1999)

20. Uporabna tehnologija za komuniciranje in vodenje izdelkov / storitev za posamezne stranke Rast in razvoj preko usmerjanja in partnerstva Izbiranje in zavračanje strank Verige odnosov Nov marketinški splet Uporaba managerja odnosov za upravljanje odnosov Kaj so marketinški odnosi (MO)?

21. Kultura in vrednote Vodenje Strategija Struktura Ljudje Tehnologija Znanje in vpogled Procesi 8 sestavin MO (Vir: Relationship Marketing: New Strategies, Techniques …, Gordon 1998)

22. Perspektiva menjave in odnosa PROCESI perspektiva odnosa DISTRIBUCIJA VREDNOSTI USTVARJANJE VREDNOSTI perspektiva menjave IZIDI

23. Širitev globalizacije Večja konkurenca Zahtevnejši potrošniki Nenehna drobitev trgov potrošnikov Hitro spreminjanje potrošnikovih navad Višanje standardov kakovosti Vpliv tehnologije na izdelke in storitve Nezadovoljiva učinkovitost klasičnega marketinga Dejavniki razvoja in rasti MO (Vir: Relationship Marketing Theory and Practice, Buttle 1996)

24. Primarni in sekundarni odnosi dobavitelj delničar zaposleni stranka podjetje

25. (Pol)avtomatski proces odkrivanja in analize znanja iz velikih količin podatkov s ciljem odkriti smiselne vzorce in pravila Kaj je “Data mining”?

26. Klasificiranje Ocenjevanje Napovedovanje Razvrščanje po skupinah Povezovanje (“clustering”) Opisovanje in vizualiziranje Kaj “Data mining” zna?

27. Področja uporabe: kot raziskovalno orodje za izboljšave v poslovnih procesih v marketingu (“database marketing”) za upravljanje z odnosi s strankami (CRM – “Customer Relationship Management”) Poslovni vidiki DM

28. DM in Strojno učenje DM in statistika DM in Podpora odločanju podatkovna skladišča OLAP, Večdimenzionalne baze podatkov DM in Računalniška tehnologija Tehnični vidiki DM

29. Informacijska tehnologija omogoča zbiranje velikega števila podatkov Veliko koristnih vpogledov v lastnosti strank, njihovo nakupovalno vedenje in uporabo izdelkov in storitev ostaja skrito in neuporabljeno Nove tehnologije so: korenito spremenile izvajanje marketinga povzročile pazljivo upravljanje informacij o strankah in kupcih omogočile uporabo podatkov za oblikovanje (večanje) konkurenčnih prednosti Izhodišča za “Data Mining” v MO

30. Znanje, skrito v datotekah, je: osnova za različne poslovne odločitve kritičnega pomena za marketinško funkcijo podjetja Veliko tega znanja ostane skritega ali nedotaknjenega v datotekah Izhodišča II

31. Večanje konkurence in možnosti potrošnikov zahteva od potrošnikov: graditev dolgoročnih odnosov - upravljanje odnosov s strankami (CRM – “Customer Relationship Management”) upravljanje interakcij, osnovanih na dejanskih preferencah strank in ne ne splošnih značilnostih učinkoviti odnosi so lahko osnovani le na resničnem razumevanju potreb vsake stranke Premik iz splošne obravnave (statistika) na individualno obravnavo (DM) Izhodišča III

32. Novejši koncept marketinga in managementa Idealno področje za uporabo metod “Data Mining” in “Knowledge Management”: upravljanje marketinškega znanja v podjetju podpora v procesu odločanja na področju marketinga CRM je usmerjen na iskanje vmesnika med: strankami (razumevanje potreb, vedenja) interakcijami med ponudniki in povpraševalci CRM – upravljanje odnosov s strankami

33. Močna nova tehnologija Velika potencialna moč podjetjem Ovrednotenje skritih prediktivnih informacij Napovedovanje prihodnjih trendov in vedenj Omogočanje proaktivnih poslovnih odločitev Korak naprej od analize preteklih dogodkov Iskanje skritih vzorcev Kakšno vlogo ima “Data mining” (DM)

34. DM je pripravljen na poslovno uporabo Je podprt s tremi dozorelimi tehnologijami: množično zbiranje podatkov močni računalniki z več procesorji DM algoritmi Ključne kompetence DM tehnologije se se razvijale na področjih statistike, umetne inteligence in strojnega učenja Značilnosti DM

35. Orodja DM pomagajo tržnikom: odkriti skrito znanje izboljšati in poglobiti razumevanje strank oboje skupaj pretvoriti v učinkovite strategije marketinga Tri osnovna področja uporabe DM kot orodij za generiranje marketinškega znanja so: profiliranje strank analiziranje odstopanj analiziranje trendov DM v MO

36. Novo odkrito znanje se lahko uporabi za: analizo odvisnosti identifikacijo razredov opis koncepta Profiliranje strank I

37. Profiliranje strank II DATOTEKA STRANK KLASIFIKACIJA SUMARIZACIJA STRANK LASTNOSTI STRANKE DISKRIMINACIJA KATEGORIJ DATOTEKA TRANSAKCIJ KLASIFIKACIJA KLASIFIKACIJA DATOTEKA IZDELKOV DATOTEKA IZDELKOV UREDITEV PREFERENCE STRANK POPULARNIH LASTNOSTI IZDELKA SUMARIZACIJA DISKRIMINACIJA IZDELEK KOLIČINA PRODANEGA IZDELKA NAPOVED PRODAJE

38. Lastnosti transakcij, ki tržniku omogočijo oblikovati koristne in predvsem uporabne profile strank, so: frekvenca nakupov velikost nakupa zadnji identificiran nakup izračun doživljenjskih vrednot stranke potencialne stranke (ne)uspeh preteklega marketinškega programa Profiliranje strank III

39. Z uporabo orodij DM: odkriva odklone klasificira odklone išče izjeme Primer: nakup s kreditno kartico v nakupovalnem centru v Puli Analiziranje odstopanj

40. Uporabimo za: ocenjevanje uspešnosti marketinških akcij napovedovanje prihodnje / pričakovane prodaje Metafora za analizo trendov: vožnja v avtu naprej, gledamo samo v vzvratno ogledalo Analiza trendov

41. Za uspešno uporabo sta kritičnega pomena dva dejavnika: velike, dobro povezane podatkovne baze, organizirane v podatkovnih skladiščih dobro opredeljeni in razumljeni poslovni procesi, v katerih bo DM uporabljen Dejavniki uporabe DM

42. Iskanje potopljenih španskih galej v oceanu Iščemo okoli mest, kjer so v preteklosti že našli potopljene ladje Opazimo, da so bile potopljene predvsem okoli Bermudskih otokov Tam ima ocean določene značilnosti; predpostavimo, da so kapitani galeje vodili po določenih morskih poteh Metafora: iskanje potopljenih galej I

43. Opazimo podobnosti modelov ladij in krajev, kjer so bile potopljene S takšnim modelom iščemo potopljene zaklade samo na mestih, kjer je največja verjetnost, da so bile potopljene V primeru, da je naš model točen, bomo zagotovo našli zaklad Metafora: iskanje potopljenih galej II

44. Uporaba podatkov o preteklih nakupih svojih strank za identificiranje tistih, ki jih bo najverjetneje zanimala nova storitev Z uporabo vzorčnega mailinga dovolj natančno identificira stranke s povsem določeno stopnjo naklonjenosti do nove ponudbe Zadnji projekti so pokazali, da je mogoče doseči tudi 20-kratno znižanje stroškov ciljanih mailing akcij – v primerjavi s klasičnimi pristopi Primer izdajatelja kreditnih kartic

45. Individualne napovedi Odprta vprašanja: Lastništvo podatkov? Zasebnost: grožnja ali pravna obveza? Etika? Družbeni vidiki DM

46. Nakup rezultatov (polaroidni fotoaparat) Nakup DM programskih paketov za posamezna področja (avtomatski fotoaparat) Najem zunanjih ekspertov (poročni fotograf) Obvladovanje DM znanj v podjetju (svoja temnica, sam izkušen fotograf) Štirje pristopi k DM

47. Dva stila: Usmerjeni DM – uporabnik pozna količino, ki jo želi modelirati Neusmerjeni DM – uporabnik določi, kateri vzorci v podatkih so smiselni in kateri ne DM metodologija

48. Kreativna zanka DM Pretvorba podatkov v uporabno informacijo s pomočjo DM Izbira poslovnega problema, ki potrebuje analizo podatkov Uporaba dobljene informacije Vrednotenje rezultatov, nove ideje o uporabi podatkov

49. Najpomembnejši del uspešnega DM projekta Pogovor z eksperti, ki razumejo poslovni proces Odgovoriti na vprašanja: Ali je DM na tem procesu potreben? Ali obstaja podproblem, ki je najbolj zanimiv? Katera so ustrezna poslovna pravila? Kaj eksperti vedo o podatkih? Kje podatki nastajajo? Kaj je pomembno s stališča ekspertnih izkušenj in intuicije? Izbira poslovnega problema

50. Določiti in pridobiti podatke Preveriti in prečistiti podatke Dodati izpeljane spremenljivke Določiti množico podatkov za modeliranje Izbrati metodo in izdelati model Preveriti izdelani model Izbrati najboljši model Informacije iz podatkov