OZ 2005/2

M T 95 ORGANIZACIJA ZNANJA 2005, LETN. 10, ZV. 2 algoritme in zaokroževanje, popraviti in dopolniti izpise (dvojno označevanje). V zvezi s popravki podatkov ostaja odprtih kar nekaj vprašanj: kateri tečaj uporabiti (fiksni ali na dan dogodka), kako zaključevati poslovne dogodke (npr. račun, ki bo izdan konec decembra 2006, bo plačan januarja 2007). Podjetja naj se lotijo uvajanja evra tako, da najprej določijo projektna področja, zatem imenujejo projektno skupino, ki poišče vse vire informacij in ugoto- vi vplive evra ter oblikuje načrt prehoda na evro. V zvezi z računalniško izmenjavo podatkov bodo v navodilih za uporabo evra, ki jih bo izdalo združenje EAN Slovenija, vključene tudi spremembe shem eSLOG in priporočila za račun EANCOM. Odprto vprašanje pa je še zakonodaja elektronskega poslovanja tipa B2B. Sekcija Informacijska podpora odlo~anju Sekcijo je vodil dr. Jurij Jaklič z Ekonomske fakultete Univerze v Ljubljani. • Tomaž Šmid (Microsoft, d.o.o.) je v začetku pre- davanja z naslovom Odločanje s pomočjo poslovne inteligence izpostavil dejstvo, da se količina podatkov podvoji vsaka tri leta in da se bo leta 2020 podvajala vsakih 72 dni. Vendar velika količina podatkov še ne pomeni, da je na voljo tudi več informacij, ki so osnova za sprejemanje dobrih odločitev. Trenutna poročila in analize so v veliki meri odraz operativnih transakcijskih aktivnosti in so učinkovita za spreje- manje operativnih odločitev, ne omogočajo pa prikaza pomembnih vzorcev in trendov na podlagi večkrite- rijske analize za daljše časovno obdobje. Po sodobnih usmeritvah se informacije delijo med vse ljudi in ne le med “informacijsko elito”. Najnovejše rešitve poslovne inteligence gredo tehnološko torej v smer združevanja prednosti poročil in analiz v realnem času iz transakcijskih baz podatkov z možnostjo “vrtanja” po podatkih, ki jo zagotavlja tehnologija OLAP (On Line Analytical Processing). Na enem mestu naj bi bilo možno spremljati vse tiste dejavnike uspeha, ki so ključni za preživetje in rast podjetja. Najbolj običajen način je prikaz informacij v obliki različnih poročil (npr. finančna poročila, prodajni diagrami). Nekateri prikazi informacij omogočajo analitične prilagoditve prikaza podatkov (npr. filtriranje, vrtanje v globino, gnezdenje kriterijev). Najbolj zapleteni pa so mehanizmi, ki prinašajo nova spoznanja iz velike količine podatkov, kjer so v pomoč različni algoritmi za izkopavanje podatkov ( data mining ). • Tomaž Dular (zasebni raziskovalec) je imel predstavitev Analitski sistemi kot del poslovnih infor- macijskih sistemov. Analitski sistem je in mora biti del poslovnega informacijskega sistema. Zagotavlja poročila, ki pomenijo dopolnilo transakcijskega sistema. Del transakcijskega sistema je npr. račun, dobavnica, naročilo, del analitskega sistema pa struk- tura prodaje po državah, partnerjih, artiklih, skupinah izdelkov, obdobjih. Predavatelj je predstavil model priprave poročil v sistemu OLAP. Primarni vir poda- tkov so tabele iz poslovne (aktivne) baze podatkov. Podatke je treba v prvotni obliki prenesti na strežnik SQL, nato se oblikujejo pogledi na tabele, pri čemer je treba podatke zelo dobro poznati. Zatem se izde- lajo dimenzije in kocke, ki jih moramo poimenovati z jasnimi imeni, pri čemer se moramo prilagoditi upo- rabnikovim pogledom in izrazju. Pripravljene kocke so le potrebni pogoj za analize, ker poročila niso sama sebi namen. Odjemalcev za prikaz podatkov je več, najbolj uporabljan je Excel. Uporabniki večinoma že obvladujejo osnove preglednice, kmalu se navadijo na vrtilne tabele in njihove osnovne operacije. Za vse pripravljene kocke se pripravi vsaj po ena osnovna preglednica. Ta je dobra osnova za nadaljnja razisko- vanja. Naslednja stopnja v razvoju analiz je priprava skladišča podatkov, s čimer je možna primerjava med sedanjostjo in zgodovino. • Aleš Popovič (Univerza v Ljubljani, Ekonomska fa- kulteta) je v prispevku Model za podporo vrednotenju življenjskih zavarovanj predstavil odločitveni model, s katerim poskuša določiti agregatno oceno življenjskih zavarovanj. Na podlagi podatkov zavarovalnic in za- varovalniških posrednikov je razvil odločitveno drevo in med seboj primerjal štiri zavarovalnice, od katerih sta dve v domači dve pa v tuji lasti. V model je vklju- čil 25 osnovnih in 12 sestavljenih kriterijev. • Alenka Zabukovec (Srednja ekonomska šola Ljub- ljana) je v prispevku Računalniška podpora vodstvu šole pri določanju učiteljev razrednikov prikazala računalniško podprto odločanje o razrednikih. Model Razrednik, izdelan je bil s programom DEXi, omo- goča primerjavo učiteljev z upoštevanjem različnih parametrov in večkriterijsko odločanje. Vsak kriterij ima določeno zalogo vrednosti in težo. Model je za uporabo enostaven in zelo prilagodljiv situaciji na po- samezni šoli. • Maja Vukasović-Žontar , Marko Kompare (zasebna raziskovalca) sta v prispevku Informacijsko podprti proces identifikacije, razvoja in upravljanja znanja v podjetju izpostavila, da so identifikacija znanja in veš- čin zaposlenih, pridobivanje in razvoj novega znanja in ne nazadnje upravljanje znanja v podjetju ene od ključnih nalog kadrovskega menedžmenta današnjega časa. Podatkovna baza znanja je informacijsko podprt sistem zbiranja in analiziranja podatkov o individual- nem in kolektivnem znanju, veščinah in sposobnostih, ki obstajajo v podjetju. Naloge baze znanja zaposlenih