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

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

3. E-poslovanje 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

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

5. E-poslovanje

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

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

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:

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

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

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

17. Težave e-poslovanja Tehnološke omejitve Druge 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

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

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

20. Kaj so marketinški odnosi (MO)?
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

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

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

23. Dejavniki razvoja in rasti MO
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
(Vir: Relationship Marketing Theory and Practice, Buttle 1996)

24. Primarni in sekundarni odnosi
dobavitelj
delničar
stranka
zaposleni
podjetje

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

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

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

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

29. Izhodišča za “Data Mining” v MO
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

30. Izhodišča II 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

31. Izhodišča III
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)

32. CRM – upravljanje odnosov s strankami
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

33. Kakšno vlogo ima “Data mining” (DM)
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

34. Značilnosti DM 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

35. DM v MO 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

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

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

38. Profiliranje strank III
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

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

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

41. Dejavniki uporabe DM
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

42. Metafora: iskanje potopljenih galej I
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

43. Metafora: iskanje potopljenih galej II
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

44. Primer izdajatelja kreditnih kartic
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

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

46. Štirje pristopi k DM 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)

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

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. Izbira poslovnega problema
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?

50. Informacije iz podatkov
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

51. Uporaba nove informacije
Novo znanje, nov vpogled
Pravočasni rezultati
Shranjeni rezultati (znanje)
Periodične napovedi
Napovedi v realnem času
Odprava napak v podatkih

52. Vrednotenje rezultatov
Vizualizacija podatkov in modelov
Kdaj je model uspešen?
časovni okviri delovanja modela
predpostavke:
preteklost je dobra napovedovalka prihodnosti
podatki so na voljo
podatki vsebujejo to, kar želimo napovedovati

53. CRM – kdo je kupec? Potrošnik Poslovni partner Segmentiranje kupcev
Različne vloge: izvedba, lastništvo, odločanje
Poslovni partner
Distribucijske mreže
Segmentiranje kupcev
V segmentu so podobni kupci (npr. lastniki zlatih kartic)

54. Življenjski cikel kupca I
Potencialni kupec
Novi kupec
Uveljavljeni kupec
visoka vrednost
visok potencial
nizka vrednost
Bivši kupec

55. Življenjski cikel kupca II
Uveljavljeni kupec
Bivši kupec
Potencialni kupec
Novi kupec
Visoka vrednost
Prostovoljni izstop
Ciljno tržišče
Novi kupec
Začetni kupec
Visok potencial
Nizka vrednost
Načrtovan izstop
Ponovna pridobitev

56. Dogodki v ciklu Pridobivanje novih kupcev (kampanja)
Odgovori na kampanjo (pošta, telefon, web-obrazec, …)
Prvi nakup, ostali nakupi
Kampanje za razširitev spektra uporabljanih izdelkov in storitev, nakup izboljšanih verzij, …
Izstopi kupcev: načrtovani, prostovoljni, tihi
Kampanje za ponovno pridobitev bivših kupcev

57. Podatki v ciklu Zgodovina kampanj, demografski podatki, …
Uporaba izdelkov in storitev, plačilni podatki, odgovori na kampanje, …
Razlogi za izstop (prekinitev)

58. Primer I – Ponudba novega izdelka
Pošiljanje pošte po seznamu znanih strank
Tipičen odziv:
1% strank, ki so prejele pošto, se odzove in kupi ponujeni izdelek
100,000 pisem bo prineslo okoli 1,000 nakupov
Data mining:
ugotovitev, katere stranke se bodo najverjetneje odzvale na ponujeni izdelek z nakupom (glede na pretekle izkušnje)
Povečanje odziva od 1% na 1.25%:
prodajo 1,000 izdelkov lahko dosežemo s samo 80,000 pismi, kar zmanjša stroške pošiljanja za petino

59. Primer II – Avtomobilsko zavarovanje
Lastniki hitrih športnih avtomobilov spadajo v skupino z visokim tveganjem
Data mining iz zbranih podatkov: če imajo lastniki hitrih športnih avtomobilov še drugi (navaden) avto, potem njihovo tveganje ni večje od preostale populacije – lahko jim ponudimo ugodno zavarovalno polico
Kot rezultat odkrite niše med lastniki hitrih športnih avtomobilov je zavarovalnica spremenila politiko določanja cen pri zavarovanju športnih avtomobilov

60. Primer III – Obnašanje strank
Trije tipi lastnikov kreditnih kartic glede na njihovo donosnost:
“Revolvers”: visoki zneski na računih, zamude pri plačilih (limit), visoka donosnost zaradi obresti na visoke zneske
“Transactors”: visoki zneski, redno plačevanje; majhne obresti, samo članarina
“Convenience users”: občasno visoki računi (potovanja, večji nakupi, …), obročno odplačevanje
Podatki: 18 mesecev zgodovine
Segmentacija glede na oceno donosnosti in potencial

61. Primer IV – Modeliranje prestopov
“Churn” – stranka mobilnega operaterja, ki bo v bližnji prihodnosti zamenjala ponudnika
Cena zadržanja stranke je bistveno manjša kot cena ponovne pridobitve stranke
Tradicionalni pristop:
prepričevanje dobrih strank (darilo), da podpišejo pogodbo še za eno leto
Data mining:
segmentiranje strank, ocena vrednosti stranke, ponuditi stranki to, kar potrebuje (zanesljivost, sodobno funkcionalnost, ugodno ceno nočnih pogovorov, …)
Upoštevanje časa: izbira pravega trenutka

62. Zaključek Vse širša vrzel med
zmožnostjo zbiranja in hranjenja podatkov o strankah, izdelkih, …
zmožnostjo analiziranja in identificiranja uporabnih informacij (“actionable information”) iz podatkov
Vloga Data mininga: premoščanje nastale vrzeli