Documente Academic
Documente Profesional
Documente Cultură
RAPORT DE CERCETARE
Bucureşti 2010
Cuprins
Introducere
Cap. 1. Optimizarea proceselor economice
1.1. Conceptul de optimizare a procesului economic
• noţiunea de optimizare
• noţiunea de proces economic
• posibilităţi de optimizare a proceselor economice
• Instrumente informatice folosite în optimizarea proceselor economice
1.2. Six Sigma, o metodologie de optimizare a proceselor economice
• Descrierea sistemului Six Sigma
• Optimizarea proceselor folosind metodologia Six Sigma
• Etapele metodologiei Six Sigma
Cap. 2. Sisteme informatice economice care integrează tehnici data mining
2.1.Conceptul de sistem informatic economic
• Definire- obiective- performanţe
• Componente structurale şi arhitecturale
• Aplicaţii informatice destinate mediului de afaceri
2.2. Sisteme integrate de tip ERP care utilizează tehnici data mining
• Structura ERP utilizate pentru diferiţi agenţi economici
• Prezentare generală
• Avantaje şi dezavantaje ale ERP
• Data mining ca parte a ERP
2.3.Sisteme informatice cu tehnici data mining destinate mediului de afaceri
• Prezentare generală
• Caracteristici reprezentative
• Domenii de aplicabilitate
• Aplicaţii informatice cu tehnici data mining incorporate în sistemele
informatice economice
Cap.3. Optimizarea proceselor economice desfăşurate de firmele cu activitate
complexă producţie- comerţ- servicii folosind sisteme informatice economice care
integrează tehnici data mining
• IDEA, un software specializat pentru data mining
• Schemă cu integrarea primelor 2 capitole
Introducere
Black Belt
Black Belt
1 −
2 σ
f ( x) = e
σ 2π
În această formulă avem µ şi σ ca fiind media şi dispersia repartiţiei normale. Se
poate observa că în afara intervalului din vecinătatea mediei µ valoarea funcţiei f este
aproape nulă. Dispersia σ ne arată cât de întins este acest interval. Pentru o dispersie σ
mică vom avea de a face cu un interval mai îngust.
Un proces, fie el de producţie sau economic, poate fi modelat din punct de vedere
al ieşirilor folosind repartiţia normală. Astfel putem considera media ieşirilor µ ca fiind
media rezultatelor care se obţin în urma respectivului proces. Nu este neapărat necesar ca
această medie a rezultatelor obţinute să fie şi rezultatele optime pentru unitatea
economică. Cu alte cuvinte primul pas care s-ar cere ar fi să se asigure faptul că
rezultatele obţinute (media lor) sunt şi cele dorite.
Cunoscând forma funcţiei f(x) din formula precedentă se poate calcula matematic
care este probabilitatea ca o ieşire să fie în interiorul limitelor [µ-nσ, µ+nσ] utilizând
următoarea formulă:
µ + nσ
pn = ∫ f ( x)dx
µ − nσ
Management
producţie
Management Management
aprovizionare clienţi
Sistem de
Management comunicaţie Management
financiar resurse umane
Structura ERP nu este tot timpul ca în figura prezentată mai sus. Unele module
discutate anterior pot comasate împreună într-unul mai complex iar altele pot dispărea
nefiind utile unei anumite firme. Modularitatea de care dau dovadă sistemele ERP le face
pe acestea foarte flexibile pentru agenţii economici care acţionează în marea majoritate a
domeniilor economiei, oferind totodată şi o capacitate de adaptare la nevoile specifice ale
fiecăruia.
Procese Date
Data Îmbunătăţirea
care se (baze de date, Cunoştinţe activităţii
desfăşoară depozite de extrase
Mining instituţiei
într-o date)
instituţie
Caracteristici reprezentative
Pentru ca un sistem informatic cu tehnici data mining incorporate să fie profitabil
pentru o firmă din mediul de afaceri este necesar ca acesta să îndeplinească anumite
cerinţe. Caracteristicile pe care un sistemul informatic trebuie să le aibă sunt în legătură şi
cu necesităţile firmei unde acesta va fi utilizat.
În primul rând, în cazul unei firme care activează într-un domeniu economic,
indiferent care este acesta, este necesar să existe în prealabil un sistem informatic propriu
sau cel puţin date pentru a fi exploatate înainte de a putea folosi un sistem data mining.
Sistem informatic (SI)
al unei firme
Sistem
Date de
prelucrat
Data Mining
- grupare
DATE - asociere
Informaţii şi - previziuni
cunoştinţe - etc.
obţinute
Alte aplicaţii
Utilizatori
Fig. 1. Integrarea unui sistem data mining în sistemul informatic al unei firme.
În mare parte din situaţii sistemul informatic al unei firme constă dintr-o colecţie
de aplicaţii care sunt interconectate şi au acces la date, de cele mai multe ori stocate în
baze de date relaţionale. Utilizatorii sistemului informatic, anagajaţi ai firmei, au acces la
aceste date folosind aceste aplicaţii (Fig. 1.). Pentru integrarea unui sistem data mining în
sistemul informatic al unei firme acesta trebuie sa poată prelua date din sistemul
informatic utilizând tehnici pentru analiza avansată a acestora, cum ar fi: gruparea,
asocierea, previziunea, regresia, etc. În urma analizei se pot extrage din datele existente
informaţii şi cunoştinţe utile la diferite nivele în cadrul firmei, de la activitatea de bază
până la managementul de vârf.
Un alt aspect care trebuie luat în considerare înainte de a lua decizia de a integra
un sistem data mining în sistemul informatic al unei firme este importanţa datelor de care
firma dispune. Datele pe care firma le deţine sau la care are acces trebuiesc să fie
relevante şi să conţină potenţiale cunoştinţe care sa fie căutate folosind tehnicile data
mining. Pentru aceasta se poate face o evaluare a datelor la care firma are acces. În cele
mai multe din cazuri utilizarea tehnicilor data mining aduce avantaje pentru firme,
indiferent de domeniul de activitate al acestora.
Nu în ultimul rând trebuiesc luate în considerare şi costurile implementării unui
sistem data mining. Pentru firmele mici acestea pot fi importante lucru care poate încetini
procesul pătrundere a produselor data mining pe această piaţă. Pe de altă parte pentru
firmele mari folosirea acestor produse şi-a arătat deja avantajele.
Domenii de aplicabilitate
Sistemele informatice au un domeniu de aplicabilitate foarte larg. Acestea pot fi
întâlnite în aproape orice domeniu de activitate umană care poate fi informatizat. Acolo
unde există astfel de sisteme informatice şi unde se adună cantităţi mari de date, fie în
baze de date fie în depozite de date, se pot folosi şi sisteme data mining incorporate.
Sistemele data mining, folosind tehnici specializate, aduc informaţii şi cunoştinţe utile
domeniului în care sunt aplicate pe baza analizei avansate a datelor deja existente.
Se poate spune că există anumite domenii în care se pot utiliza cu precădere
tehnici data mining, unde avantajele aduse de folosirea acestora sunt foarte mari. Dintre
aceste domenii se pot enumera:
• Cercetări ştiinţifice. În domeniul ştiinţelor există cantităţi foarte mari de
date care pot fi exploatate pentru a descoperi tendinţe sau alte modele
ascunse care pot fi importante pentru domeniul studiat [8];
• Economie. În economie utilizarea sistemelor data mining este de primă
importanţă datorită faptului că exploatarea datelor deţinute de diferiţi
agenţi economici le pot aduce acestora avantaje competitive, atât la nivelul
producţiei cât şi la nivelul managementului; în acest articol se pune
accentul în special pe utilizarea tehnicilor data mining în domeniul
economic;
• Finanţe bănci. În domeniul financiar bancar se folosesc tehnici data
mining pentru diferite probleme, cum ar fi de exemplu managementul
riscului, previziuni, analize financiare, etc.
• Telecomunicaţii. În domeniul telecomunicaţiilor tehnicile de data mining
au multiple aplicaţii dintre care putem să amintim analiza
multidimensională a datelor pentru a rezolva probleme cum ar fi aflarea
orelor cu trafic maxim sau diferite alte modele de solicitare a reţelelor de
comunicaţie [8]. Un exemplu de astfel de aplicatie ar fi în domeniul
telefoniei mobile unde este necesar să se cunoască modele de variaţie a
încărcării reţelei;
• Securitatea reţelelor. Detecţia intruziei este o altă aplicaţie unde tehnicile
data mining sunt folosite cu succes. Odată cu extinderea fără precedent a
internetului a devenit din ce in ce mai important ca reţelele de calculatoare
private să fie protejate de accesul nepermis a unor persoane din exterior
[8]. Diverse tehnici data mining fac posibilă evitarea acestui lucru.
În cele mai complexe situaţii, atunci când o firmă este bine informatizată, putem
avea sisteme informatice implicate în toate procesele economice desfăşurate de acestea.
Trebuie menţionat că nu orice firmă are un sistem informatic specializat pentru un singur
proces economic aşa cum este prezentat în figura de mai sus, cazul de acolo fiind unul
generic. Un sistem informatic poate să
Punct de vânzare 1
Punct de vânzare N
6000000
5000000
4000000 avize
facturi
3000000 total solduri
2000000
1000000
0
ian feb mar apr mai iun iul aug sep oct nov dec
Fig. 1.8. Vânzările de cărţi înregistrate de-a lungul unui an, pe centre.
Se poate constata din graficul precedent că sunt anumite perioade în care volumul
vânzărilor este mult mai mare decât în alte perioade. Astfel în luna ianuarie avem vânzări
de până la zece ori mai mari decât în luna august. De asemenea se constată un volum al
stocurilor de carte mult peste nivelul vânzărilor şi totodată o creştere a stocurilor prin
creşterea avizlor în timp ce vânzările înregistrate scad. (Solutii de casare, pachete de
vanyare, reduceri) (disponibilitate carti pe internet ca motiv al scaderii vanyarilor) (print
on demand) (sistem de preluare a comenyilor electronic)
Acest model ne putem aştepta să se repete cu regularitate datorită structurii anului
universitar. Putem trage concluzia că nu toţi studenţii cumpără cărţi încă de la începutul
anului universitar. Mulţi dintre aceştia cumpără cărţi în cursul lunii ianuarie, odată ce se
apropie sesiunea de iarnă. Urmează o perioadă în cursul semestrului doi în care vânzările
scad, fără să mai crească înainte de sesiunea de vară, posibil din cauză că este deja
sfârşitul anului şi cei mai mulţi şi-au cumpărat deja cărţi. Se mai constată apoi o uşoară
creştere în iulie, posibil datorată sesiunilor de examene de licenţă şi o altă uşoară creştere
în septembrie datorită sesiunilor de restanţe. Luna august înregistrează cele mai mici
vânzări, datorită faptului că este vacanţă. (folosesc idea pt datele de aici)
Etapa de Îmbunătăţire propuneri in cunostinta de cauza
În această etapă trebuiesc aplicate pentru procesul economic analizat constatările
anterioare. Astfel se va face aprovizionarea cu cărţi ale punctelor de vânzare cu strictul
necesar. Din graficul prezentat mai sus reiese faptul că stocurile ar trebui să devină
proporţionale cu vânzările. Dacă în luna ianuarie se justifică un volum al soldurilor mai
mare, datorită vânzărilor mai ridicate, nu se poate justifica creşterea stocurilor în lunile
următoare când vânzările de fapt scad.
Etapa de Control sa propun anumite metodologii
Pentru etapa de control din punct de vedere al analizei de date trebuie verificat
faptul că îmbunătăţirile aduse la pasul anterior sunt benefice. Pentru aceasta se realizează
o nouă analiză a noilor date obţinute în urma optimizării. Este necesară o nouă aplicare de
tehnici data mining pentru a afla dacă noile cărţi aduse se vând. În acelaţi timp trebuie ca
vânzările să nu scadă. Stocurile sa nu creasca iar
Controlul se va face după implementarea măsurilor propuse.
[1] Mihai ANDRONIE - Modern data mining techniques, The Ninth International
Conference on Informatics in Economy IE, Bucureşti 2009, p. 753-757, ISBN
978-606-505-172-2;
[2] Maria Andronie, Mihai ANDRONIE: Analiza datelor stocate in depozite mari
de date, Sesiunea de comunicari stiintifice a cadrelor didactice din facultãtile
economice ale Universitãtii Spiru Haret, Bucureşti, 2008, ISBN 978-973-163-
230-8;
[3] Zenovic Gherasim, Mihai ANDRONIE Monitorizarea performantelor
bazelor de date in Oracle pentru aplicatii specifice afacerilor, Sesiunea de
comunicari stiintifice a cadrelor didactice din facultãtile economice ale
Universitãtii Spiru Haret Bucuresti, 2008, ISBN 978-973-163-230-8;
[4] Ion Lungu, Adela Bâra, Mihai ANDRONIE: Administrarea bazelor de date,
Editura ASE, Bucureşti 2008, ISBN 978-606-505-071-6;
[5] Ion Lungu, Manole Velicanu, Adela Bara, Vlad Diaconita, Iuliana Botha –
Portal Based System Integration – Foundation for Decision Support, Economic
Computation and Economic Cybernetics Studies and Research, Vol. 43, No.
1/2009, ISSN 1842 – 3264;
[6] Luminiţa State, Cătălina Ciocanu, Panayiotis Vlamos, Viorica Ştefănescu - A
New Unsupervised Learning Scheme to Classify Data of Relative Small Volume,
Economic Computation and Economic Cybernetics Studies and Research, Vol.
42, No. 1-2/2008, ISSN 1842 – 3264;
[7] Yushi Uno, Yoshinobu Ota and Akio Uemichi - Web Structure Mining by
Isolated Cliques, IEICE Transactions on Information and Systems, 2007, Vol.
E-90-D, No. 12, ISSN 1745-1361;
Alte lucrări:
[8] Jiawei Han, Micheline Kamber: Data Mining. Concepts and Techniques,
Second Edition, Elsevier, 2006;
[9] David Hand, Heikki Mannila, Padhraic Smith: Principles of Data Mining,
Prentice Hall India, 2006;
[10] Zhao Hui Tang, Jamie MacLennan: Data Mining with SQL Server 2005,
Wiley, 2005;
[11] Zenovic. Gherasim, Doina Fusaru, Maria Andronie: Sisteme informatice
pentru asistarea deciziei economice, Editura Fundatiei România de Mâine
Bucureşti, 2008;
[12] Maria Andronie: Analiza şi proiectarea sistemelor informatice de gestiune.
Editura Fundatiei România de Mâine, Bucureşti 2007;
[13] I. Petrescu: Management general, Concepte si aplicaţii, Editura Fundaţiei
România de Mâne, Bucuresti, 2007;
[14] Balog, Al. şi colectiv: Metode şi instrumente de management strategic în
dezvoltarea e-business. Contract 2N, Proiect PN0404, Faza 1 – Analiza şi
identificarea cerinţelor referitoare la sistemele de management strategic în
dezvoltarea e-business, decembrie 2003 ;
[15] Victoria Stanciu: Proiectarea sistemelor informatice de gestiune, Editura
Cison, Bucureşti 2000;
[16] Daniel Andersson, Hannes Fries: Data Mining Maturity. A Quantitative Study
of Large Companies in Sweden, Jonkoping University, Master’s Thesis in
Informatics, 2008;
[17] O.Nicolescu, I. Verbonciu: Management, Editura Economică, Bucureşti
1999;
[18] Blaga P: Introducere în management, note de curs;
[19] Constantin Brătianu: Managementul strategic. Editura Universitaria, Craiova
2002;
[20] A.D.Chandler: Strategies et Structure de l’entreprise, Editions
d’Organisation, Paris, 1989 ;
[21] Fred R.David: Strategic Management, Eight Edition, Prentice Hall, 2000;
[22] Longbing, C. & Chengqi, Z: The Evolution of KDD: Towards Domain-driven
Data Mining, International Journal of Pattern Recognition, 2007;
[23] Gupta, Bhatnagar, Wasan: Architecture for Knowledge Discovery and
Knowledge Management. Knowledge and Information Systems, 2005;
[24] Ingrid Fischer, Thorsten Meinl: Graph Based Molecular Data Mining - An
Overview;
[25] Marti A. Hearst: Untangling Text Data Mining;
[26] Chris Clifton, Don Marks: Security and Privacy Implications of Data Mining;
[27] http://www.rubinian.com/dictionar_detalii.php?id=3993
[28] A. K. Dixit, Optimization in Economic Theory, Second edition, Oxford
University Press, 1990;
[29] http://www.netmba.com/statistics/distribution/normal/;
[30] The Six Sigma Revolution
http://www.qualityamerica.com/knowledgecente/knowctrQuality_Management
_Articles.htm;
[31] http://www.scribd.com/doc/4361/Introduction-to-Six-Sigma;
[32] Pros and cons of Six Sigma: an academic perspective, by Jiju Antony, 2008,
http://www.improvementandinnovation.com/features/articles/pros-and-cons-six-
sigma-academic-perspective;
[33] Geoff Tennant, SIX SIGMA: SPC and TQM in Manufacturing and Services.
Gower Publishing, Ltd. (2001);
[34] Key Performance Indicators, Six Sigma, and Data Mining: Data Driven
Decision Making For Financial Institutions, www.angoss.com;
[35] Trinidad Casasus Estelles, Manuel Mocholi Arce, Ramon Sala Garrido
Economic Optimisation with GAMS;