Informacijski sustavi u poslovanju 1

SPECIFIČNE OBRADE
POTPORE ODLUČIVANJU
Kako osigurati donošenje kvalitetnih odluka?
 Informacijski sustavi u poslovanju 2

Sadržaj: što ćemo učiti

• Što je potpora odlučivanju?
• Donošenje poslovnih odluka
• Znanje
• Sustavi potpore odlučivanju
• Sustavi potpore odlučivanju u skupini
• Metode potpore odlučivanju
• Optimizacijske metode
• Simulacijske metode
• Metode umjetne inteligencije
• Metode mekog računarstva
 Informacijski sustavi u poslovanju 3

Literatura
• Obvezna:
• Informacijski sustavi u poslovanju (ur. Varga, M., Strugar, I.).
Ekonomski fakultet, Zagreb, 2016.: poglavlje 6 Specifične obrade
potpore odlučivanju
 Informacijski sustavi u poslovanju 4

Donošenje
poslovnih odluka u
praksi

Logično,
Prihvaćanje racionalno i
Intuitivno Iskustveno
savjeta drugih utemeljeno na
znanju

Kratko Dugo

Vrijeme potrebno za donošenje odluka

Potpora odlučivanju
(analitičke obrade,
Pojedinac ekspertni sustavi,
Grupa simulacije)

Donositelj odluke
 Informacijski sustavi u poslovanju 5

Klasifikacija odluka
Strateške (npr. prelazak
sa telefonske na online
prodaju)
Taktičke (npr. odabir
Prema vremenskom miksa marketinških
utjecaju odluke kanala kod promocije)
Operativne (npr. rutinsko
naručivanje zaliha
proizvoda)
Programirane (za
taktičko i operativno
Prema odlučivanje)
procesu
odlučivanja Neprogramirane (za
strateško odlučivanje)
 Informacijski sustavi u poslovanju 6

Izvor: http://www.efzg.unizg.hr/UserDocsImages/OIM/mdarabos/2-%20Vrste%20odluka,%20stilovi%20i%20pristupi%20odlu%C4%8Divanju%20-2009.p
 Informacijski sustavi u poslovanju 7

Izvor: http://www.efzg.unizg.hr/UserDocsImages/OIM/mdarabos/2-%20Vrste%20odluka,%20stilovi%20i%20pristupi%20odlu%C4%8Divanju%20-2009.p
 Informacijski sustavi u poslovanju 8

Ograničenja u odlučivanju
1. Spoznajna ograničenja
• ograničenja ljudskih sposobnosti za pohranjivanjem i obradom
informacija.
2. Ekonomska ograničenja
• ograničena mogućnost uvođenja dovoljnog broja sudionika u
proces donošenja odluka zbog rasta troškova donošenja
odluke.
3. Vremenska ograničenja
• Odluke se vrlo često donose u uvjetima vremenskog
ograničenja
 Informacijski sustavi u poslovanju 9

Zamke u odlučivanju

Zamka sidrenja

Zamka prethodnih odluka

Zamka formuliranja

Zamka potvrđivanja

Zamka procjene i predviđanja

 Informacijski sustavi u poslovanju 10

Izvor: Begčević Ređep, N., Hunjak, T.; Hernaus, T. Zamke u odlučivanju, FOI, Zagreb
 Informacijski sustavi u poslovanju 11

Izvor: Begčević Ređep, N., Hunjak, T.; Hernaus, T. Zamke u odlučivanju, FOI, Zagreb
 Informacijski sustavi u poslovanju 12

Izvor: Begčević Ređep, N., Hunjak, T.; Hernaus, T. Zamke u odlučivanju, FOI, Zagreb
 Informacijski sustavi u poslovanju 13

Izvor: Begčević Ređep, N., Hunjak, T.; Hernaus, T. Zamke u odlučivanju, FOI, Zagreb
 Informacijski sustavi u poslovanju 14

Izvor: Begčević Ređep, N., Hunjak, T.; Hernaus, T. Zamke u odlučivanju, FOI, Zagreb
 Informacijski sustavi u poslovanju 15

Classroom - Dodatna literatura

• Polsek, D., & Bokulic, M. (2013). Dvije paradigme
objasnjenja kognitivnih pristranosti u odlucivanju:"
bihevioralna ekonomija" I" ekoloska
racionalnost". Drustvena Istrazivanja, 22(2), 303.
• Amos Tversky i Daniel Kahneman: Zaključivanje u
uvjetima nesigurnosti: Heuristika i pristranost (biases),
prvi put objavljeno 1974. iz: Kahneman, Tversky, Slovic
(ed.) 1982. Heuristics and Biases
 Informacijski sustavi u poslovanju 16

Sustavi potpore odlučivanju

Računalni
informacijski
sustavi koji
podupiru
rješavanje
poslovnih
problema s
ciljem
poboljšanja
kvalitete
donesenih
odluka.
 Informacijski sustavi u poslovanju 17

Elementi sustava za potporu odlučivanju

1. Sustav upravljanja podacima
• Podaci i informacije o problemu
• Unutarnji i vanjski podaci - Fleksibilnost
2. Sustav upravljanja znanjem
• Znanja o načinima rješavanja problema
3. Sustav upravljanja modelima
• Modeli ovise o odabranoj metodi potpore odlučivanju - Prilagodljivost
4. Korisničko sučelje
• Interaktivnost
 Informacijski sustavi u poslovanju 18

Sustavi potpore odlučivanju u skupini

• Vrlo složene odluke s dalekosežnim posljedicama rijetko
se prepuštaju pojedinom menadžeru, već se određuje
skupina donositelja odluka
• Sustav potpore odlučivanja u skupini - interaktivni
računalni sustav koji podupire skupinu donositelja
odluka tijekom procesa rješavanja nestrukturiranih oblika
problema.
 Informacijski sustavi u poslovanju 19

Što je bolje? Individualno ili skupno

odlučivanje?
 Informacijski sustavi u poslovanju 20

Sustavi potpore odlučivanju u skupini

• Razlika u odnosu na klasične sustave za potporu
odlučivanju
• sadrži softverske aplikacije koje su prilagođene grupnom
donošenju odluka
• procedure za moderiranje skupine koje se mogu sastojati od
softverskih aplikacija za komunikaciju i suradnju
 Informacijski sustavi u poslovanju 21

Sustavi potpore odlučivanju u skupini

 Informacijski sustavi u poslovanju 22

Metode potpore odlučivanju

• Metode umjetne inteligencije
• Metode mekog računarstva
• Optimizacijske metode
• Simulacijske metode
 23

METODE UMJETNE
INTELIGENCIJE
 24

Što je umjetna inteligencija?

• Umjetna inteligencija (UI) je naziv koji pridajemo svakom
neživom sustavu koji pokazuje sposobnost snalaženja u
novim situacijama (inteligenciju). Engleski naziv za
umjetnu inteligenciju je artificial
intelligence skraćeno AI.

• Uobičajeno je da se to ime pridaje računalnim sustavima.

Izraz se neosnovano primjenjuje i na robote, budući da
njihov sustav ne mora nužno biti inteligentan.

https://hr.wikipedia.org/wiki/Umjetna_inteligencija
 25

Ograničenje umjetne inteligencije

• Svaku računalnu umjetnu inteligenciju namijenjenu
rješavanju problema nazivamo ograničenom UI. Svi
dosadašnji oblici umjetne inteligencije spadaju u ovu
grupu jer su ograničeni na rješavanje samo određenih
problema i nemaju vlastitu svijest niti razumijevanje.

• Čovjek još nije u stanju proizvesti umjetnu inteligenciju

koja bi se približila čovjekovoj i svjesno razumijevala i
rješavala probleme. Mogućnost izrade svjesne umjetne
inteligencije je za sada predmet filozofskih rasprava.

https://hr.wikipedia.org/wiki/Umjetna_inteligencija
26
 27

Regulacija i unaprjeđenje
umjetne inteligencije

Dostupno na classroom
 28

What is artificial intelligence?

• Artificial intelligence (AI) refers to systems that display
intelligent behaviour by analysing their environment and
taking actions – with some degree of autonomy – to achieve
specific goals.
• AI-based systems can be purely software-based, acting in the
virtual world (e.g. voice assistants, image analysis software,
search engines, speech and face recognition systems) or AI
can be embedded in hardware devices (e.g. advanced
robots, autonomous cars, drones or Internet of Things
applications).
• We are using AI on a daily basis, e.g. to translate languages,
generate subtitles in videos or to block email spam.
• For example, an AI system will be trained and then used to
spot cyberattacks on the basis of data from the concerned
network or system
 Informacijski sustavi u poslovanju 29

Metode umjetne inteligencije

• U svrhu podrške procesu donošenja odluka primarno se
koriste:
• Ekspertni sustavi
• Inteligentni softverski agenti
 30

Ekspertni sustavi
 Informacijski sustavi u poslovanju 31

Ekspertni sustavi
• Ekspertni sustav je inteligentni
računalni program koji koristi znanje
za rješavanje problema čije rješavanje
zahtijeva visoku razinu stručnosti
ljudskih eksperata.
 Informacijski sustavi u poslovanju 32

Inženjerstvo znanja
 Disciplina koja se bavi postupcima prikupljanja znanja iz
određenog područja i ugradnje tako prikupljenog znanja u
bazu znanja
 Eksplicitna znanja se relativno lako prikupljaju
 Implicitna znanja se ponekad mogu različitim postupcima
pretvoriti u eksplicitne oblike.
Informacijski sustavi u poslovanju 33
 Informacijski sustavi u poslovanju 34

Primjene ekspertnih sustava

• procjene različitih rizika poslovanja (financijskih rizika,
rizika ulaganja, rizika osiguranja i dr.),
• savjetovanja u projektnom menadžmentu, prilikom
akvizicija, spajanja i preuzimanja tvrtki,
• pomoć u menadžmentu financijskih portfelja
(određivanje ciljeva investiranja klijenata, izbor strukture
portfelja, i slično),
• davanje savjeta prilikom obračunavanja poreza,
• pomoć u pružanju korisničke podrške klijentima, u
odobravanju kredita, u otkrivanju pokušaja različitih
oblika prijevara
 Informacijski sustavi u poslovanju 35

Građa ekspertnih sustava

• Baza znanja
• sadrži znanje o problemskom
području
• sadržaj baze znanja prikupljen je
od eksperata
• sadržano znanje je stabilno i ne
mijenja se tijekom rada sustava
na pronalaženju rješenja.
 Informacijski sustavi u poslovanju 36

Građa ekspertnih sustava

• Baza činjenica
• sadrži opise specifičnog problema
za koji sustav nastoji pronaći
rješenje.
• sadržaj baze činjenica mijenja se
tijekom rada sustava.
 Informacijski sustavi u poslovanju 37

Građa ekspertnih sustava

• Mehanizam zaključivanja
• predstavlja opis postupka traženja
rješenja problema.
• postupak traženja rješenja
osigurava sustavnost, logičku
ispravnost i točnost pronađenih
rješenja.
 Informacijski sustavi u poslovanju 38

Građa ekspertnih sustava

• Korisničko sučelje
• omogućuje komunikaciju sustava
s korisnikom
• omogućuje korisniku jednostavan
unos opisa problema
• omogućuje pregled predloženih
rješenja kao i objašnjavanje
pronađenog rješenja s druge
strane.
 Informacijski sustavi u poslovanju 39

Prikaz znanja u ekspertnom sustavu

• Pravila su jedan od prvih oblika prikaza znanja u
ekspertnim sustavima:
AKO uvjet TADA zaključak
• Stabla odlučivanja također se često koriste za prikaz
znanja u ekspertnim sustavima
 Informacijski sustavi u poslovanju 40

Primjer: Ekspertni sustav Assemblio

• Sustav assemblio namijenjen
je pronalaženju optimalne
konfiguracije računala
• Sustav sadrži ekspertna
znanja o kvaliteti
računalnih komponenti
trenutno dostupnih na
domaćem tržištu
• Koristi mehanizam odabira
komponenti ovisno o
korisničkim preferencijama i
cijeni računala
http://www.bug.hr/assemblio/
 41

Inteligentni softverski agenti

 Informacijski sustavi u poslovanju 42

Definicija
• Inteligentni agent
• je entitet koji percipira svoju okolinu temeljem čega planira svoje
djelovanje radi postizanja zadanih ciljeva
• Ukoliko je inteligentni agent programska aplikacija naziva
se softverski agent

• Inteligentni softverski agenti

• su programski agenti koji imaju sposobnost učenja iz vlastitog
iskustva radi obavljanja neponavljajućih zadataka u uvjetima
neizvjesnosti
 Informacijski sustavi u poslovanju 43

Vrste inteligentnih softverskih agenata

1. Informacijski agenti
• samostalno pretražuju, prikupljaju, nadgledaju i dostavljaju
informacije.
2. Osobni ili korisnički agenti
• zadatak im je smanjiti količinu podataka i informacija koje su
namijenjene njegovom korisniku ili koje korisnik mora svakodnevno
obraditi i na taj način ga rasteretiti.
3. Agenti za nadgledanje i nadzor
• skupine koriste se za kontrolu i praćenje rada i promjena u radu
različitih sustava
4. Agenti za otkrivanje znanja
• Koriste metode otkrivanja znanja kako bi detektirali znanje u
podacima
 44

Osobni ili korisnički agenti

 45

Informacijski agenti: Primjer chatbot

 46

Metode mekog računastva

 Informacijski sustavi u poslovanju 47

Metode mekog računarstva

• Meko računalstvo (engl. „soft computing“) - skup metoda
koje mogu koristiti neprecizne, nepotpune, pa čak i
neistinite i nedorečene informacije kako bi pronašle
približna rješenja koja mogu poduprijeti donošenje
konačne odluke.
• Najvažnije metode mekog računalstva su:
• neizrazita logika,
• neuronske mreže,
• genetički algoritmi,
• teorija kaosa
• Algoritmi generirani metodama mekog računarstva
implementiraju se u sustave umjetne inteligencije.
 Informacijski sustavi u poslovanju 48

Neizrazita logika
• Neizrazita logika (engl. fuzzy logic) omogućuje prikaz
nepouzdanih i nepreciznih podataka i znanja na sličan
način kako to čine ljudi.
• Primjer: Ljudi se izražavaju pojmovima „dobro plaćen
posao“, ili „nizak rizik ulaganja“, itd…. No, što znači
„dobro plaćen posao“? Je li to plaća od 1500kn ili 4500kn
ili pak 15000kn? Postoji li određena granica između dobro
plaćenog i loše plaćenog posla?
 Informacijski sustavi u poslovanju 49

Neizrazita logika
• „dobra plaća” i „loša plaća” su neizraziti skupovi. Pojedini iznosi
pripadaju svim skupovima, samo u različitim stupnjevima:

• Postupak pretvorbe iznosa varijabli u neizrazite skupove s faktorima

pripadnosti tim skupovima nazivamo fuzzifikacija.
 Informacijski sustavi u poslovanju 50

Neizrazita logika
skup čija je granica
tradicionalno shvaćen skup raspršena u obliku
sa čvrstim razgraničenjem: prijelazne „sive“ zone:
npr. Plaća od 4500kn je
npr. Plaća od u većoj mjeri „dobra
4500kn je „dobra plaća”, a u manjoj „loša
plaća” plaća”
dok je plaća od 4499kn
A plaća od 4499 je u malo manjoj mjeri
„loša plaća” „dobra plaća”, a u nešto
većoj mjeri „loša plaća”
 51

OPTIMIZACIJSKE METODE
 Informacijski sustavi u poslovanju 52

Optimizacijske metode
• pronalaženje rješenja problema koje će postizati
najbolje moguće rezultate uz zadana ograničenja
• Ukoliko se problem opiše matematičkim modelom dva
su moguća cilja optimizacije:
• (1) maksimizacija vrijednosti rješenja i
• (2) minimizacija vrijednosti rješenja.
 53

Optimizacijske metode s obzirom na broj

kriterija
• Jednokriterijska optimizacija
• rješenje problema predstavlja odabir jedne vrijednosti (najveće ili
najmanje)
• Primjer: Odabrati kombinaciju proizvodnje proizvoda s obzirom na
najveću dobit ili najmanji trošak
• Metoda: linearno programiranje

• Višekriterijska optimizacija
• Rješenje problema predstavlja odabir jedne odluke na temelju više
kriterija
• Primjer: Odabrati parove alternativa mobitela, svaka sa svakom, gdje
vi kao donositelj odluke izražavate intenzitet, težinu preferencije jedne
alternative u odnosu na drugu unutar vama bitnih kriterija.
• Metoda: AHP
 54

Višekriterijalno modeliranje
 Informacijski sustavi u poslovanju 55

Linearno programiranje
• Linearno programiranje
• nastoji pronaći optimalna vrijednost funkcije cilja uz zadana
ograničenja izraženih u obliku sustava linearnih jednadžbi ili
nejednadžbi.
• Primjerena je za probleme na područjima proizvodnje, logistike
(transporta i distribucije), marketinga, telekomunikacija, financijskih
ulaganja i planiranja, raspoređivanja zaposlenika, i dr.
 Informacijski sustavi u poslovanju 56

Primjer: Kako postići maksimalan profit od

proizvodnje dva različita modela mobitela?
• Koliki broj mobitela X1 i X2 treba proizvesti uz uvjet
maksimalizacije prihoda?

• Funkcija cilja - prihod od prodaje oba modela mobitela (uz

pretpostavku zanemarivih direktnih troškova)
• Ograničenja
• (1) vrijeme potrebno za sastavljanje mobitela
• (2) vrijeme potrebno za testiranje ispravnosti mobitela
• (3) broj brzih procesora koji su na raspolaganju za proizvodnju jačeg
modela mobitela

• Dodatno je ograničenje nenegativnih vrijednosti količina

proizvedenih mobitela jer one moraju biti veća od nule inače model
nema smisla.
 Informacijski sustavi u poslovanju 57

Linearno programiranje
• Matematički model opisanog problema
 Informacijski sustavi u poslovanju 58

Linearno programiranje
• Grafičko rješenje problema

Područje mogućih
rješenja
 Informacijski sustavi u poslovanju 59

Linearno programiranje
• Grafičko rješenje problema
• Funkcija cilja u svom maksimumu dodiruje u jednoj točki područje
mogućih rješenja (okruženo funkcijama ograničenja)
• U toj točki količina x1=80, a x2=40. Uvrštavanjem u funkciju
rješenja dobijamo maksimalni profit od 48,000.00kn
• Simpleks metoda
• postupak koji na najučinkovitiji način rješava probleme linearnog
programiranja.
• Softverski alati poput Lindo ili Solver add-in za Excel
 Informacijski sustavi u poslovanju 60

Višekriterijalne metode
• Višekriterijsko linearno optimiranje
• Kada je potrebno za ista ograničenja pronaći optimalne vrijednosti
za nekoliko funkcija cilja
• Primjenjuje se višekriterijsko linearno programiranje
• Rješava se korištenjem STEM metode.

• Višekriterijsko odlučivanje
• Kada je potrebno odabrati jednu od unaprijed zadanih opcija
uvažavajući više različitih kriterija
• Primjenjuje se Analitički hijerarhijski proces (AHP)
 61

SIMULACIJSKE METODE
 Informacijski sustavi u poslovanju 62

Simulacijske metode
• Simulacija je niz numeričkih i programskih tehnika,
metoda i alata za prikaz modela stohastičkih sustava i
provođenje eksperimenata sa modelima
• Stohastički sustavi čija stanja nije moguće precizno
predvidjeti jer ovise o slučajnim varijablama
 63

Cilj: Odabir optimalnog broja šaltera u

banci
 Informacijski sustavi u poslovanju 64

Simulacijske metode
• Pomoću simulacijskog modeliranja rješavaju se različiti
problemi vezani uz donošenje odluka:

• razumijevanje problema (mjerenje utjecaja određenih parametara na

rad cijelog sustava) – npr. razumijevanje utjecaja strukture
stanovništva oko poslovnice banke

• analiza rada sustava (performanse, kapaciteti resursa, uska grla

poslovnih procesa) – npr. dinamika dolazaka klijenata u poslovnicu
banke

• oblikovanje sustava (usporedba alternativnih scenarija i izbor

najboljeg rješenja) – npr. odabir optimalnog broja šaltera u banci

• trening donosioca odluka (poslovne igre, ratne igre) – npr. igra za

simulaciju poslovanja banke
 Informacijski sustavi u poslovanju 65

Vrste simulacija
• Simulacijske igre
• podrazumijevaju interakciju jedne ili više osoba,
• Statička simulacija
• kao što je Monte Carlo simulacija koja je vezana uz slučajne
fenomene i generiranje uzoraka
• Dinamička simulacija
• opisuje ponašanje sustava u vremenu.
 Informacijski sustavi u poslovanju 66

Diskretna simulacija
• Diskretna simulacija opisuje promjene stanja koje se
odvijaju diskontinuiranim vremenskim razmacima (npr.
jedan sat, jedan dan i slično).

Simulacija poslovanja poslovnice banke

Izvor: http://www.efos.unios.hr/poslovne-simulacije/wp-content/uploads/sites/180/2013/04/P5_Simulacijski-programi.pdf
 Informacijski sustavi u poslovanju 67

Primjer: Simulacija rada hitne službe

U prosjeku
• Nakon što službenik Pozivnog centra svakih 5
zaprimi poziv, medicinska sestra min
određuje težinu (tip A, B ili C) hitnog
slučaja.
• Hitni slučaj tipa A je najteži, dok je
hitni slučaj tipa C najlakši. Ovisno o
vrsti hitnog slučaja, na teren izlaze
različiti tipovi vozila hitne pomoći i
pripadajućeg osoblja.
• Vozilo tipa A je potpuno opremljeno, 50%
dok je vozila tipa C najslabije
opremljeno.
• U 50% slučajeva prijavljen je hitni
30%
slučaj tipa A, u 30% slučajeva radi se
o pacijentima tipa B, dok je
vjerojatnost da se radi o pacijentu
tipa C samo 20%. Pozivi se u
prosjeku zaprimaju svakih 5 minuta. 20%
 Informacijski sustavi u poslovanju 68

Diskretna simulacija U prosjeku 2 službenika

svakih 5
• Primjer: min

Simulacija rada 3 med.

sestre
hitne službe
4 vozila

• Nakon analize rezultata simulacijskog

eksperimenta mijenjaju se ulazni
parametri modela. 50%
• Zapošljava se još jedna medicinska
sestra
2 vozila 30%

2 vozila
20%
69
 Informacijski sustavi u poslovanju 70

Rezultat simulacije
• Po završetku simulacijskog eksperimenta prikazuju se
rezultati simulacije
• Analiza rezultata pokazuje da su medicinske sestre
previše opterećene poslom
• Pacijenti u prosjeku čekaju više od 2 sata na procjenu
težine slučaja i prijem na odjel. Kada bi ovakav sustav bio
implementiran u stvarnosti, život pacijenata mogao bi biti
ugrožen dugim čekanjem.
• Opterećenost medicinskih sestara mogla bi utjecati na
kvalitetu njihova rada pa tako i na kvalitetu usluge
 71

HVALA NA PAŽNJI!