Business Intelligence

Uvod Objašnjavajući pojam poslovne inteligencije, moramo krenuti od uopštenog pojma inteligencije koji u sebi sadrži nekoliko aspekata užih kategorija inteligencije. Dakle, istorijske korene inteligencije je moguće naći već u Aristotelovom (384-322) delu„ Logika“, u kojem je ispitivao da li se za neku pretpostavku može reći da je istinita zato što seodnosi na druge stvari za koje se zna da su istinite. Njegova logika je bila sledeća: ako se zna da su „svi ljudi smrtni“ i da je „Sokrat čovek“ – može se zaključiti da je „Sokrat smrtan“. Rene Dekart (1596-1650), u delu „ Meditacije“, razdvaja proces mišljenja od fizičkog sveta.Čak je i za vlastito postojanje tražio potvrdu preko mišljenja : „ Cogito ergo sum“ („ Mislim dakle postojim“). Kada se govori o prirodnoj inteligenciji, pod ovim pojmom se najčešće podrazumeva : nadarenost, oštroumnost, prirodna sposobnost pravilnog rasuđivanja, sposobnost snalaženjaunovonastalim situacijama na osnovu prethodno stečenog iskustva. Na osnovu ovako datogobjašnjenja postavlja se pitanje:Da li inteligencija predstavlja jednu zasebnu sposobnost, ili je ona skup različitih nepovezanih mogućnosti? Odgovor na ovo pitanje, kao i na mnoštva drugih, nije samo u domenu inženjerskog znanja, nego i u domenu znanja psihologa, neurologa, filozofa... Takođe se postavlja pitanje koliko vrsta inteligencije postoji. Odgovor je: 1. racionalna inteligencija 2. emocionalna inteligencija 3. socijalna inteligencija 4. veštačka inteligencija 5. poslovna inteligencija U ovom seminarkom radu će biti obrađena poslovna inteligencija, zbog njenog značaja za efikasno izvođenje procesa rada preduzeća. Odnosno, poslovne inteligencije kao konceptualnog okvira za podrušku donošenja odluka u preduzeću.

Definicija Poslovne Inteligencije Za frazu Poslovna inteligencija se najpre čulo u radu Hans Peter Luhn-a koji je definisao Poslovnu inteligenciju kao " Sposobnost da se razumeju međusobni odnosi prestavljenih činjenica na takava način da se vode akcije u pravcu željenog cilja. Međutim, poslovna inteligencija je osnovana kao generalni termin u radu Hauard Dressner iz ranih 90-ih. On je definisao poslovnu inteligenciju kao termin "kišobran", da bi opisao kao “ koncepti i metode za poboljšanje donošenja poslovnih odluka koristeći sistema za podršku zasnovane na činjenicama, što znači da ima više od jedne definicije. Mogu se naći razne definicije od različitih istraživača i komentatora. U tom pejzažu definicija, izdvaja se definicija Matteo Golfarelli-a koja je generalno prihvaćena, odnosno gde se poslovna inteligencija definiše kao "proces pretvaranja podataka u informacije, a zatim u znanje". Business intelligence (BI) je više koncept nego jedna tehnologija. Cilj je da se stekne uvid u poslovanje prikupljanjem podataka, formatiranih na način koji omogućava bolju analizu, a potom pružajući alate koji omogućavaju korisnicima moć i to ne samo da ispitaju i istraže podatke, već i da ih brzo razumelju. Mnogi u oblasti informacionih tehnologija su upoznati sa frazom: " Podaci nisu informacije. " Ova fraza naglašava ideju da podaci sami po sebi ne uspevaju da saopšte mnogo korisnih informacija i da se podaci moraju staviti u kontekst da bi imali smisla. Spisak brojeva prodaje ne pomaže, osim ako uključuje proizvode koji se prodaju, kada su prodati, gde su prodati i tako dalje. Važno je da se prihvati kontekst da se podaci pretvore u informacije . Iako je dobijanje informacija važno, informacija je korisna samo ako ju je lako shvatiti, odnosno ako je ljudi mogu koristiti da donose odluke. Stoga je cilj da podaci budu laki za razumevanje, odnosno neophodno je brzo razumevanje trendova, odnosa, i relativnih prednosti i slabosti da kako bi se zaista donosile ispravne poslovne odluke. Ponekad poslovna inteligencija se odnosi na on-lajn donošenje odluka, to jest, na trenutni odgovor. Većinu vremena, ona se odnosi na smanjenje vremenskih okvira, tako da je inteligencija još uvek korisna donosiocu odluka, kada dođe vreme za donošenje odluke . U svim slučajevima, korišćenje poslovne inteligencije se posmatra kao proaktivnost. Osnovne komponente proaktivnog BI su :  skladištenje podataka u realnom vremenu,  Data Mining,  automatsko detektovanje anomalija i izuzetaka,  proaktivna upozorenja sa automatskim utvrđivanjem primaoca,  automatsko učenje i prečišćavanje,  geografski informacioni sistemi  vizuelizacija podataka

Sledeća slika (slika 6), prikazuje različite ulazne informacije koje su na raspolaganju za pružanje potrebne inteligencije u donošenju odluka.

Slika 6. Ulazi Poslovne Inteligencije

Poslovna inteligencija je prirodan nastavak prethodnih serija sistema dizajniranih za podršku pri odlučivanju. Pojava za skladištenjem podataka kao repozitorijumom, napredak u prečišćavanju podataka, veće mogućnosti hardvera i softvera, i razvoj Internet tehnologija koja obezbeđuje raspostranjeni korisnički interfejs, sve zajedno kreiraju bogatije okruženje za poslovnu inteligenciju. BI izvlači informacije iz mnogih drugih sistema. Sledeća slika(slika 7) prikazuje neke od informacionih sistema koji se koriste od strane poslovne inteligencije.

Slika 7. Veza BI sa drugim Informacionim Sistemima

Arhitektura poslovne inteligencije Arhitektura sistema poslovne inteligencije(slika 8) obuhvata tri glavne komponente:

Slika 8. Arhitektura Poslovne Inteligencije Izvor podataka. U prvoj fazi, potrebno je da se prikupe i integrišu podaci uskladišteni u različitim primarnim i sekundarnim izvorima, koji su heterogenog porekla i vrste. Izvori se u najvećem delu sastoje od podataka koji pripadaju operativnim sistemima, ali mogu da sadrže i nestrukturirana dokumenata, kao što je email i podaci dobijeni od eksternih dobavljača. Uopšteno govoreći, veliki napor je potreban da se ujedine i integrišu različiti izvori podataka. Skladišta podataka i data marts. Korišćenje alata za ekstrakciju i transformaciju poznatih kao ekstrakt, transformacija, učitavanje( ETL ) podaci potiču iz različitih izvora i čuvaju se u bazama podataka namenjenih za podršku analiza poslovne inteligencije. Ove baze podataka se obično nazivaju skladišta podataka i data marts. Metodologija poslovne inteligencije. Podaci su konačno ekstraktovani i koriste se da pune matematičke modele i analizu metodologije koja treba da pruži podršku donosiocima odluka. U sistemu poslovne inteligencije, može se sprovesti nekoliko aplikacija za podršku odlučivanju:  analiza višedimenzionalne kocke,  analiza istraživanja podataka,  analiza vremenskih serija,  induktivni modela učenja za data mining,  optimizacija modela.

Piramida(slika 9) pokazuje blokove sistema poslovne inteligencije. Do sada su objašnjena prva dva bloka. Opis gornjih nivoa je sledeći.

Slika 9. Glavne komponete sistema Poslovne Inteligencije

Data exploration. Na trećem nivou piramide nalaze se alati za izvršavanje pasivne analize poslovne inteligencije, koja se sastoji od upita i izveštavanja, kao i od statističkih metoda. Oni se pominju kao pasivna metodologija zato što su dužni donosiocu odluka da generišu prethodne hipoteze ili da definišu kriterijume za ekstrakciju podataka, a zatim koristite alate za analizu da bi pronašli odgovore i potvrdili prvobitne prepostavke. Na primer, menadžer prodaje kompanije, koji primećuje da su prihodi na datoj lokaciji pali za određenu grupu kupaca. Možda će želeti da iznese svoje hipoteze pomoću alata za ekstrakciju i vizuelizaciju, a zatim primeni statistički test da proveri da li su njegovi zaključci adekvatno podržani od podataka. Data Mining. Četvrti nivo obuhvata aktivnu metodologiju poslovne inteligencije, čiji je cilj izvlačenje informacija i znanja iz podataka. To uključuje matematičke modele za prepoznavanje paterna i tehniku data mining. Za razliku od alata opisanih na prethodnom nivo piramide, aktivni modeli ne zahtevaju od donosioca odluka da formulišu bilo kakve hipoteze koje će se kasnije verifikovati. Njihov cilj je da se proširi znanje donosioca odluka. Optimizacija. Pomeranjem za jedan nivo u piramidi nailazimo na optimizaciju modela koji nam omogućavaju da utvrdimo najbolje rešenje od skupa alternativnih akcija, što je obično prilično obilno, a ponekad čak i beskonačano.

Odluka. Na kraju, na vrhu piramide se nalazi izbor i usvajanje određene odluke, a na neki način predstavlja prirodan zaključak procesa donošenja odluka. Čak i kada su Business Intelligence metodologije na raspolaganju i uspešno usvojene, izbor odluka se odnosi na donosioce odluka, koji takođe mogu iskoristiti neformalne i nestrukturirane informacije da prilagode i modifikuju preporuku i zaključke korišćenjem matematičkih modela. Kada se krećemo od dna do vrha piramide, sistemi poslovne inteligencije nude sve naprednije alate za podršku aktivnog tipa. Čak i uloge i kompetencije se menjaju. Na dnu, potrebne kompetencije obezbeđene su u najvećoj meri od strane stručnjaka u okviru informacionog sistema organizacije, obično se to odnosi na administratore baze podataka. Analitičari i stručnjaci iz matematičkih i statističkih modela su odgovorni za srednje faze. Na kraju, aktivnosti donosilaca odluka odgovornih za primenu domena pojavljuju se dominantno na vrhu.

Ciklus analize BI Svaka analiza poslovne inteligencija sledi putanju na osnovu aplikacije, ličnog stava donosioca odluka i analitičkih metodologija na raspolaganju. Međutim, moguće je da se identifikuju idealne cilkične putanje koje karakterišu evoluciju tipične analize poslovne inteligencije, kao što je prikazano(slika 10), iako i dalje postoje razlike na osnovu specifičnosti svakog konkretnog konteksta.

Slika 10. Ciklus analize BI

Analiza. U fazi analize, potrebno je da se prepoznaju i tačno definišu problemi. Donosioci odluka zatim moraju da sklope sliku fenomena koji se analizira, identifikujući kritične faktore koji se smatraju kao najrelevantniji. Dostupnost metode poslovne inteligencije može biti od pomoći u ovoj fazi, dozvoljavanjem donosiocima odluka da ubrzano razvijaju različite puteve istrage. Na primer, istraživanje kocke podataka u multidimenzionalnoj analizi, korišćenjem različitih logičkih prikaza, omogućava donosiocima odluka da menjaju svoje hipoteze fleksibilno i brzo, dok ne dođu do interpetacije šema koje smatraju zadovoljavajućim. Znači prva faza u ciklusu poslovne inteligencije vodi donosioce odluka da postavljaju više pitanja i da dobiju brz odziv na interaktivan način. Uvid. Druga faza omogućava donosiocima odluka da bolje i dublje razumeju probleme često na uzročnom nivou. Na primer, ako analiza koja je sprovedena u prvoj fazi pokazuje da veliki broj kupaca prekida polisu osiguranja nakon isteka jednogodišnjeg ugovora, u drugoj fazi će biti potrebno da se identifikuju profili i karakteristike koje dele takvi klijenti. Informacije dobijene kroz fazu analize se onda transformišu u znanje tokom faze uvida. S jedne strane, ekstrakcije znanja može nastati usled intuicije donosioca odluka i ona se zasniva na njihovom iskustvu i eventualno na nestrukturiranim informacija koje su im dostupne. S druge strane, induktivni modela učenja takođe se mogu pokazati veoma korisnim u ovoj fazi analize, naročito kada se primenjuju na strukturiranim podacima. Odluka. Tokom treće faze, znanja dobijena kao rezultat faze uvida pretvaraju se u odluke i kasnije u akcije. Dostupnost metodologija poslovne inteligencije omogućavaju da faze analize i uvida se izvršavaju brže, tako da se dobijalju efikasnije i blagovremene odluke koje bolje odgovaraju strateškim prioritetima date organizacije. Ovo dovodi do ukupnog smanjenja vremena izvršenja ciklusa analize-odluke-akcije-revizije, a samim tim dobija se proces donošenja odluka boljeg kvaliteta . Evaluacija. Konačno, četvrta faza ciklusa poslovne inteligencije uključuje merenje rezultata i evaluaciju. Obimne metrike treba osmisliti tako da nisu isključivo ograničene na finansijske aspekte, ali i uzeti u obzir glavne indikatore perrformansi definisane za različita odeljenja kompanije. Kritični faktori projekata BI Neki od faktora su kritičniji u odnosu na druge za uspeh projekta poslovne inteligencije, ti faktori su:  



tehnologija analitika ljudski resurssi

Tehnologija. Hardverska i softverska tehnologija su značajni faktori koji omogućavaju razvoj sistema poslovne inteligencije u okviru preduzeća i organizacija. S jedne strane, računarske mogućnosti mikroprocesora su povećane u proseku za 100 % svakih 18 meseci u toku poslednje dve decenije, a cene su pale. Ovaj trend je omogućio korišćenje naprednih algoritama koji su u obavezi da uključe induktivne metode učenja i optimizaciju modela, održavajući vreme obrade u razumnom opsegu. Štaviše, on dozvoljava usvajanje najboljih grafičkih tehnika vizualizacije, sa animacijama u realnom vremenu. Sledeći relevantan faktor proizilazi iz eksponencijalnog rasta kapaciteta uređaja za masovno skladištenje, omogućavajući bilo kojoj organizaciji da skladišti terabajte podataka za sisteme poslovne inteligencije. Takođe i povezivanje putem mreže, u obliku Ekstranet ili Intranet, je igralo glavnu ulogu u širenju informacija i saznanja dobijenih iz sistema za poslovnu inteligenciju u okviru organizacije. Na kraju, laku integraciju hardvera i softvera nabavljenih od različitih dobavljača, ili razvijenih interno od strane organizacija, je još jedan relevantan faktor koji utiče na širenje alata za analizu podataka. Analitika. Matematički modeli i analitičke metodologije igraju ključnu ulogu u unapređenju informacija i ekstrakcije znanja iz podataka dostupnih u većini organizacija. Sama vizuelizacija podataka u skladu sa pravovremenim i fleksibilnim logičkim pogledom, igra značajnu ulogu u olakšavanju procesa donošenja odluka, ali i dalje predstavlja pasivni vid podrške. Zato je neophodno primeniti više naprednih modela induktivnog učenja i optimizacije u cilju postizanja aktivnih formi podrške za proces donošenja odluka. Ljudski resursi. Ljudska sredstva organizacije su izgrađena od kompetencija onih koji rade u okviru organizacije, bilo kao pojedinci ili kolektivno. Ukupna znanja koja poseduju i dele ove osobe čini organizacionu kulturu. Sposobnost radnika da prikuplja informacije i onda da ih pretoči u praktične akcije je jedno od glavnih sredstava bilo koje organizacije, i ima veliki uticaj na kvalitet donošenja odluka. Ako dato preduzeće ima implementiran napredni sistem poslovne inteligencije, i dalje ostaje mnogo prostora da se naglase lične veštine svakog radnika, koji su neophodne za vršenje analiza i interpretaciju rezultata, da razrade kreativna rešenja i da osmisle efikasne akcione planove. Svi dostupni analitički alati su jednaki, kompanija koja zapošljava ljudske resurse koji poseduju veću mentalnu agilnost i koji su spremni da prihvate promene u procesu odlučivanja će biti u prednosti u odnosu na konkurente.

Razvoj sistema poslovne inteligencije Razvoj sistema poslovne inteligencije može biti izjednačen sa praćenjem projekta, sa specifičnim krajnjim ciljem, očekivanim troškovima i vremenskim okvirima, kao i korišćenje i koordinacija sredstava potrebnih za obavljanje planiranih aktivnosti. Tabela(tabela 2) pokazuje tipičan ciklični razvoj arhitekture poslovne inteligencije. Naravno, specifična putanja koju prati svaka organizacija može se razlikovati od ove koja je navedena na slici.

Analiza

Dizajn

Indetifikacija poslovnih potreba

Indetifikovanje infrastrukture Makro planiranje projekata

Planiranje Detaljni zahtevi projekta Definisanje potrebnih matematičkih modela

Razvoj prototipa

Indetifikacija podataka Definisanje skladištapodataka i datamarts

Implementacija i kontrola

Razvoj ETL alata

Razvoj skladišta podatakai data marts

Razvoj metapodataka

Dizajniranje aplikacija

Izdavanje i testiranje

Tabela 2. Faze u razvoju sistema Poslovne Inteligencije Analiza. Tokom prve faze, potrebe organizacije relevantne za razvoj sistema poslovne inteligencije treba pažljivo identifikovati. Ova preliminarna faza se obično sprovodi kroz seriju intervjua znanja, radnika koji imaju različite uloge i obavljaju različite aktivnosti u okviru organizacije. Neophodno je da se jasno opišu opšti ciljevi i prioriteti projekta, kao i da se navedu troškovi i benefiti koje proizilaze iz razvoja sistema poslovne inteligencije.

Dizajn. Druga faza obuhvata dve podfaze i ima za cilj izvođenje privremenog plana ukupne arhitekture, uzimajući u obzir bilo koji razvoj u bliskoj budućnosti i evoluciju sistema u srednjem roku. Prvo, potrebno je napraviti procenu postojeće informacione infrastrukture. Osim toga, glavni procesi donošenja odluka koje će biti podržani od strane sistema poslovne inteligencije treba da budu ispitani, u cilju kako bi se adekvatno odredlii zahtevi za informacije. Kasnije, koristeći klasične metodologije upravljanja projektima, projekat plana će biti postavljen, identifikovanjem faza razvoja, prioriteta, očekivanog vremena izvršavanja i troškova, zajedno sa ulogama i potrebnim resursima. Planiranje. Faza planiranja uključuje podfaze, gde se funkcije sistema poslovne inteligencije definišu i opisiju u više detalja. Nakon toga, postojeći podaci kao i podaci koji se mogu preduzeti eksterno se procenjuju. Ovo omogućava informacionoj strukturi arhitekture poslovne inteligencije, koja se sastoji od centralnog skladišta podataka i verovatno nekih data marts, da bude osmišljena. Istovremeno sa prepoznavanjem raspoloživih podataka, matematički modeli treba da se definišu, obezbeđujući dostupnost podataka potrebnih da se puni svaki model i verifikacije da če efikasnost algoritama koji se koristiti biti adekvatna za rezultirajući model. Na kraju, potrebno je da se stvori prototip sistema, po niskim cenama i sa ograničenim mogućnostima, kako bi se unapred otkrila neslaganja između stvarnih potreba i specifikacije projekta. Implementacija i kontrola. Poslednja faza se sastoji od pet glavnih podfaza. Prvo, skladišta podataka i svi data mart su razvijeni. Oni predstavljaju informacione infrastrukture koja će snabdevati sisteme poslovne inteligencije. U cilju da se objasni značenje podataka sadržanih u skladištu podataka i budućih transformacija primarnih podataka, arhiva metapodataka treba da se kreira. Štaviše, ETL procedure ekstraktuju i transformišu podatke koji postoje u primarnim izvorima, učitavaljući ih u skladište podataka i data marts. Sledeći korak je usmeren na razvoj osnovnih aplikacija poslovne inteligencije koje omogućavaju da se izvrše planirane analize. Na kraju, sistem je pušten na testiranje i korišćenje.

PRIMENA SISTEMA POSLOVNE INTELIGENCIJE U BANCI Veoma dinamično tržište, promenjljivi zahtevi klijenata, velika konkurencija,neophodnost stroge kontrole i upravljanja rizicima su samo neke karakteristike ambijenta ukome posluju savremene banke. Bolje upravljanje i kvalitetniji proces odlučivanja praverazliku između uspešnih i neuspešnih na ovakvom tržištu. Rešenja sistema poslovneinteligencije za potrebe banaka treba da obezbede donosiocima odluka iz svih poslovnihsegmenata banke mogućnost upravljanja i eksploatisanja informacionog potencijala, a sveu cilju rešavanja poslovih problema I donošenja pravovremenih I kvalitetnih odluka.Poslovna inteligencija pokriva mnoge oblasti poslovanje banke, a među najvažnijim su:Upravljanje odnosima sa klijentima (CRM), Upravljanje performansom (PM), Upravljanjerizicima (RM), Upravljanje aktivom i pasivom (ALM), Usklađivanje sa regulativom istandardima (Compliance). Data warehouse baza podata i analitički procesi (OLAP) čineinformacionu osnovu za primenu poslovne inteligencije. Data mining I otkrivanje znanja jetakođe važan segment poslovne inteligencije I bavi se kompleksnim statističkim analizama,otkrivanjem ‘’skrivenih’’ veza među podacima I predviđanjem trendova ponašanjaposlovnog sistema. Savremene banke moraju da odgovore izazovima kao što su automatizacija procesa, povećana očekivanja korisnika, agresivna konkurencija, udruživanje i pripajanje, razvoj novih proizvoda i segmenata tržišta. U isto vreme banke moraju i da upravljaju rizicima, kao i da usklade svoje poslovanje sa rastućom domaćom i međunarodnom regulativom (IAS, AML, BASEL II). Upravljanje je odlučivanje, a odluke moraju da se donose na vreme, da budu efikasne i da budu bazirane na tačnim i pouzdanih informacijama proisteklim iz podataka. Banke dnevno beleže velike količine podataka, za svakog klijenta se vode podaci o njegovim ličnim, psihosocijalnim, imovinskim i finansijskim karakteristikama, takođe i o svim njegovim računima, transakcijama po svakom računu, kreditnim obavezama itd. Ovi podaci se generišu u osnovnom bankarskom informacionom sistemu i smeštaju u transakcione baze podataka. Iskustvo je pokazalo da su transakcione baze podataka bogat izvor informacija kojim se može poboljšati poslovanje svake kompanije, a banke izuzetno zbog pomenutih činjenica o dostupnosti velike količine podataka. Još odavno je postalo jasno da banke imaju mnogo podataka, a malo informacija i vrlo malo znanja o mnogim aspektima svoga poslovanja. Međutim, transakcijske baze podataka su ogromne, zamislimo da menadžment banke želi utvrditi karakteristike klijenata koji su u prošlosti bili nelikvidni. Takvu informaciju obično može tražiti od informatičara u banci, koji u tom slučaju osim svog redovnog posla trebaju potrošiti dosta vremena da naprave traženi izveštaj. Kad je izveštaj na stolu menadžera, možda je već prekasno za donošenje odluka.

OBLASTI KOJE OBUHVATA POSLOVNA INTELIGENCIJA U BANCI Rešenja sistema poslovne inteligencije za potrebe banaka su obično veoma složena jer treba da obezbede donosiocima odluka iz svih poslovnih segmenata banke mogućnost upravljanja i eksploatisanja informacionog potencijala mnoštva internih i eksternih izvora podataka. Poslovna inteligencija pokriva mnoge oblasti poslovanje banke, a među najvažnijim su :  Upravljanje odnosima sa klijentima (Analitycal CRM)  Upravljanje performansom banke (PM, Performance Management)  Upravljanje rizicima (Enterprise Risk Management)  Upravljanje aktivom i pasivom (ALM, Asset & Liability Management)  Usklađivanje sa regulativom i standardima (Compliance)istovremeno (krediti, depoziti, kartice, elektronskobankarstvo itd.)  Efektivnost kanala - omogućava identifikaciju i analizu različitih kanala za komunikaciju sa klijentima i isporuku prozvoda kroz te kanale.  Upravljanja kampanjama - Osnovni cilje da se analiziraju i upoređuju efekti marketinških kampanja na povećanja broja klijenata, povećanje broja i nivoa prodatih proizvoda, prihoda Upravljanje aktivom i pasivom banke (ALM, asset and liability management) predstavlja proces upravljanja obavezama i potraživanjima banke koji ima za cilj uspostavljanje ravnoteže između profita i rizika, uspostavljanje veze između obaveza i potraživanja, kontrolisanje efekata rizika na poslovanje i finansijski rezultat banke. BI rešenja za ALM treba da omoguće generisanje kompletnog seta internih izveštaja počev od 919 bilansih izveštaja, analize likvidnosti, tokova gotovine, pa sve do analize adekvatnosti kapitala prema ročnoj i kamatnoj strukturi. Pored navedenog, obuhvataju i analize strukture prihoda i analize složenih dugoročnih kreditnih aranžmana iz više izvora. U sklopu upravljanja performansom menadžeri prate ključne indikatore performansi poslovanja preko scorecard izveštaja na bazi kojih se u svakom trenutku kontroliše usklađenost tekućeg stanja sa definisanim ciljevima. Rešenja za podršku scorecardingu treba da omoguće korisnicima (prvenstveno menadžerima) brz i efikasan pristp scorecard karticama koje pokazuju vrednosti performansi ključnih indikatora, znakove uzbuna kada oni pređu dozvoljene granice i lako ulaženje u detalje podataka (drill-down). Da bi se ispunili zahtevi metodologije upravljanja performansom pored pomenutog sistema izveštavanja neophodno je obezbediti infrastrukturu koja će podržavati proces planiranja i budžetiranja. To znači da sistem treba da podržava mogućnost definisanja ciljnih veličina po svim dimenzijama poslovanja (klijenti, proizvodi, organizacione jedinice) uvažavajući vremensku dimenziju.

ARHITEKTURA SISTEMA POSLOVNE INTELIGENCIJE U BANCI Arhitektura sistema poslovne inteligencije u banci je veoma heterogena i sastoji iz nekoliko nivoa :  Operativna baza podata i eksterni podaci,  Nivo integracije i transformacije podataka,  Data Warehouse nivo,  Nivo za pristup podacima (aplikacije, OLAP, Data Mining itd.),  Nivo za pristup informacijama. Operativne (transakcione) baze podataka se kreiraju da bi zadovoljile potrebe tekućeg poslovanja.Sistem transakcione obrade podataka u banci (OLTP, OnLine Tranaction Processing), predstavlja temeljni informacioni sistem banke. Njegova uloga je da podržava svakodnevne poslovne transakcije i aktivnosti (unos i obrada platnih naloga, unos i obrada depozitnih i kreditnih ugovora, transakcije knjiženja, transakcije obrade provizija i kamata itd.). Obzirom na činjenicu da su OLTP sistemi u banci obično heterogeni (različite aplikacije i tehnološke platforme) kao i na činjenicu da se radi o izuzetno velikom broju i dinamici promena, podaci prikupljeni tokom dužeg perioda smanjuju performase (npr. brzinu odziva) samog sistema. U skladu sa navedenim nije praksa da se podaci u transakcionim bazama koriste za složenije analitičke obrade kao što su prikaz određenih trendova u nekom vremenskom periodu. OLTP infrastrukturu u banci sačinjavaju:  Core bankarski softver (depoziti, plasmani, platni promet, kartičarstvo, elektronsko i mobilno bankarstvo, brokerski poslovi itd.)  ERP aplikacije (računovodstvo i finasije, HRM, osnovna sredstva itd.)  Eksterne aplikacije (centralna banka, berza itd.) Nivo integracije i transformacije podataka uključuje procese koji podatke iz operativnih i spoljašnjih izvora transformšu u oblik pogodan za smeštanje u data warehouse bazu podataka. Zajednički im je naziv ETL (ETL, Extract Transform and Load) procesi. Proces ekstrakcije podataka potrebno je provoditi na način da pri tom redovni operativni (OLTP) procesi što manje trpe, a što je za banku od velikog značaja obzirom na dinamiku rada OLTP sistema. Savremena programska rešenja i alati oblikovani su tako da ETL procese mogu obavljati što efikasnije uz nastojanje da potrebne podatke iz operativnih procesa zahvataju što je moguće brže. Dizajnirani su tako da su veoma intuitivni i laki za korištenje jer imaju bogat grafički interfejs. Skladište podataka (DW, Data Warehouse) je analitička baza podataka koja se koristi kao osnova za sisteme poslovne inteligencije i projektovana je za velike količine podataka i na način koji omogućava jednostavano i efikasano upravljanje njima u službi kreiranja informacija potrebnih u procesu odlučivanja. Postupak skladištenja podataka predstavlja kontinuirani proces planiranja, građenja, i prikupljanja podataka iz različitih izvora te njegovog korištenja, održavanja, upravljanja i stalnog unapređenja. DW sadrži ‘’kopije’’ podataka iz operativnih baza čime je iz operativnih baza uklonjena ogromna masa najčešće istorijskih podataka što ih rasterećuje složenih upita a time dolazi do unapređenja njihovih operativnih performansi. Obzirom na svu složenost i količinu zahtjeva koju pred DW postavlja banka kao poslovni model većina njih se projektuju kao relacione, a njihova nadgradnja u formi data-martova su obično dimenzionalni modeli. Model namenjen za banke komercijalnog tipa, se sastoji od entiteta I atributa vezanih za ključne

predmetne oblasti poslovanja banke (marketing, upravljanje profitom i rizicima, unapredjenje prodajne aktivnosti i odnosa sa klijentima, praćenje uspješnosti izvršenja poslovnih planova kao i analize i izveštavanja vezana za zahteve regulatora). Za razliku od Data Warehouse čija je osnovna funkcija da odražava procese i pravila poslovanja na nivou banke, mart podataka odražava pravila poslovanja unutar jedne funkcije, jednog poslovnog procesa ili jedne poslovne jedinice, pri čemu ta pravila treba da budu usaglašena sa pravilima poslovanja na nivou banke. Martovi podataka mogu da budu upotrebljeni za eksploraciju, data mining, upravljane upite ili analitičku obradu podataka i najčešće predstavljaju direktni izvor podataka kojima krajnji korisnici pristupaju. Mart podataka koji se koristi za analitičku obradu podataka zahteva lak i brz intuitivni pristup krajnjim korisnicima, a dimenzionalni model je najpodesniji za zadovoljavanje toga zahteva. Data martovi mogu biti bazirani na tzv. Busines Solution Templates (BST) u skladu sa specifičnim poslovnim oblastima banke (upravljanje odnosima sa klijentima, upravljanje profitom, upravljanje rizicima, upravljanje kapitalom itd.) Business Solution Templates su modeli podataka koji su prilagođeni za analitičke procese, definisani su kao kocke podataka od kojih svaka ima skup mera i dimenzija . Određeni data mart modeli su bazirani I na tzv Application Solution Templates (AST) I čija je funkcija obezbeđivanje podataka za specifične aplikacije. Karakterističan primer je aplikacija za kalkulaciju osnovni parametra Bazel II: Exposure of Default, Risk Weighted Asset, Expected loss, Loss Given Default. Izrazom OLAP (OLAP, OnLine Analytical Processing) označena je kategorija softverske tehnologije koja omogućava korisnicima (analitičarima, menadžerima itd.) da steknu uvid u podatke na brz, konzistentan i interaktivan način. OLAP predstavlja lice DW baze podataka i vid obrade podataka koji omogućava korisniku da brzo i lako ekstrahuje podatake, da ih pretvara u informacije na skoro neograničen broj načina. Tradicionalni pristup pronalaženja informacija iz izvora podataka podrazumeva pravljenje SQL (Structure Query Lenguage) upita. Prednost OLAP pristupa je u tome što omogućava efikasniji i svrsishodniji pristup podacima, na način da se prave izveštaji koji su interaktivni i u odgovarajućem formatu, ikao takvi su laki za implementaciju i korištenje. OLAP izveštaji mogu biti u obliku regulatornih statusnih izveštaja, multidimenzionalnih analiza, ali mogu biti i u posebno efektnim formatima kao što su izveštaji o ključnim indikatorima performansi (Balanced Scorecard). OLAP sistemi skladište podatke i pristupaju im kao dimenzijama koje reprezentuju poslovne faktore, kaošto su vreme, proizvodi, geografski regioni ili tržišni segmenti. Ti podaci su organizovani multidimenzionalno - kao kocke koje se mogu okretati, pomerati i posmatrati s bilo koje strane. Kocke podataka (Data Cubes) su fleksibilne sa aspekta informacija koje sadrže (dimenzije) i kalkulacije koje se mogu obaviti (mere). OLAP alati za izveštavanje moraju da poseduju intuitivan korisnički interfejs pomoću kojeg korisnici mogu interaktivno da istražuju podatke i da ih na alternativne načine (tekstualno, grafički itd.) prikazuju prema svojim potrebama. Rudarenje podataka (DM, Data Mining) je proces eksploracije i analize velikih količina podataka radi otkrivanja smisaonih složajeva i pravila. Data mining se koristi tehnikama i algoritmima iz oblasti statistike, veštačke inteligencije da bi se u velikim skupovima podataka otkrili značajni “skriveni” složajevi. Tumačenje i razumevanje tih složajeva omogućava bolje dijagnostikovanje stanja sistema, bolje predviđanje i samim tim bolje odlučivanje. Osnovna razlika između OLAP i DM je u operisanju podacima. OLAP obavlja multidimenzionalne analize podataka - omogućava sumarizovanje i drill-down, koristi se agregiranjem, a u osnovi su operacije sabiranja, dok DM kazuje o odnosima i

složajevima u skupu podataka. Tradicionalni sistemi upita i izveštavanja daju odgovor na pitanje šta se nalazi u bazi podataka, OLAP ide korak dalje i ulazi u sferu značenja podataka i daje odgovore na pitanja da li su neke pretpostavke koje su izdvojene iz baze podataka istinite. Drugim rečima OLAP stvara seriju hipotetičkih zakonitosti i veza između podataka i koristi sisteme upita da ih potvrdi ili opovrgne (deduktivan proces). DM se razlikuje po tome što on ne pokušava da potvrdi ili opovrgne postavljene hipoteze, nego pokušava da pronađe neku zakonitost među podacima (induktivan proces). Najčešće tehnike koje se koriste pri analizi podataka su neuronske mreže (neural networks) i stabla odluke (decision trees). Osnovni koraci koji se izdvajaju u svakom data mining projektu su:  Definicija poslovnog problema,  Kreiranje DM baze podataka,  Istraživanje podataka,  Priprema podata za modelovanje,  Kreiranje modela,  Ocena modela,  Implementacija modela i rezultati. Data mining ili rudarenje podataka može biti vrlo korisno u bankarstvu. Brojni su primeri korištenja, banka može na temelju karakteristika klijenata predvideti koji klijenti bi mogli koristiti određene usluge, te usmeriti marketinšku kampanju samo na taj uski segment čime se smanjuju roškovi i povećava lojalnost klijenata. S druge strane banka može na temelju podataka iz prošlosti odrediti karakteristike klijenata za koje je verovatno da neće moći vratiti kredit te na taj način smanjiti rizik svog poslovanja. Sigurno je da banka ima već razvijene metode za odabir klijenata koji bi mogli koristiti dodatne proizvode kao i metode za detekciju potencijalnih loših dužnika. Nivo za pristup informacijama je u direktnoj interakciji sa krajnjim korisnicima. Taj nivo u suštini predstavlja alate i aplikacije koje krajnji korisnici upotrebljavaju svakodnevno. Sa razvojem tehnologije ti alati postaju sofisticiraniji i pružaju veliku mogućnost za manipulaciju, analizu i prezentaciju informacija, uz obavezno intuitivan, jednostavan i vizuelno atraktivan korisnički interfejs. Najčešće kategorije korisnika su:  Menadžeri: Top menadžeri, rukovodioci sektora (plasmani, depoziti, rizici, računovodstvo, platni sistemi), segment lideri (retail bank, corporate bank), rukovodioci regionalnih organizacionih jedinica (filijale, ekspoziture)  Analitičari  Operativni korisnici.

Svaki od ovih korisnika ima svoje specifične potrebe i zahteve za informacijama u zavisnosti od hijerarhijskog nivoa i prirode posla koji obavlja. U skladu sa tim u savremenoj praksi postoji sledeće forme pristupa i prezentovanja informacija:









Izveštaji. Osnovni vid prezentacije i obično su statični, imaju minimalne analitičke zahtjeve i obično su generisani klasičnim SQL upitima. Izveštaji mogu odgovoriti na klasične bankarske zahteve tipa ’’Koliko je ukupno nevraćenih kredita i kolika je njihova ukupna vrednost!?’’. Analize . Zadovoljavaju zahteve znatno složenijih multidimezionalnih (vreme, klijent, proizvod, kanal distribucije) upita. Primer: Koliki je procenat promene nivoa kredita, ako se uporedi sa istim periodom prošle godine, za svaki od top 5 proizvoda, za svakog od top 10 klijenata. Scorecard tablice. Omogućavaju sadržajno i vizuelno praćenje ključnih indikatora performansi na bazi kojih se u svakom trenutku može porediti i kontrolisati usklađenost tekućeg stanja s definisanim ciljevima tih performansi. ''Dashboard''. Integriše na jedno mesto sve neophodne informacije za donošenje odluka bilo da su u formi izveštaja, analiza i scorecard tabela. Omogućava personalizaciju za svakog pojedinačnog korisnika (donosioca odluka). Dashboard obiluje grafičkim reprezentacijama podataka i posebno je koristan donosiocima odluka na visokom nivou jer pružaju lak i brz uvid u sve ključne podatke i njihove trendove.

LITERATURA ASSECO. (2011) www.asseco.com. HYPERLINK http://www.asseco-see.com.

E-Drustvo (2011) www.e-drustvo.org HYPERLINK http://www.e-drustvo.org Scribd(2011) www.scribd.com HYPERLINK http://www.scribd.com Infoteh (2011) www.infoteh.rs.ba HYPERLINK http://infoteh.etf.unssa.rs.ba Wikipedia en.wikipedia.org HYPERLINK http://en.wikipedia.org/wiki/Business_intelligence