Sisteme Informatice

• Tehnologiile informationale in context

organizational

• SI – definitii, abordari, structura

• (M)SI – tendinte si impact organizational

10/27/20
 Organizatia

Strategia
Modificarile
mediului economic Procese de afaceri

Sisteme informatice

Infrastructura IT

Inovatie IT
Cultura
organizationala

10/27/20
SI - perspective si dimensiuni

Abordare
tehnica

Organizatie Tehnologie

SI

Management

Abordare
business

10/27/20
SI – abordare din punctul de vedere al
afacerii
• O solutie organizationala si manageriala
bazata pe tehnologiile informationale la
o provocare a mediului

• Un instrument care creaza valoare pentru

organizatie
• dimensiunea organizationala si dimensiunea
manageriala
10/27/20
 SI – dimensiunea organizationala
• OAMENI
Manageri, “knowledge workers”, “data workers”,
“production/service workers”, experti
• STRUCTURA
Functii, ierarhie manageriala
• PROCESE DE AFACERI
Activitati corelate in scopul indeplinirii unui obiectiv ;
reguli formale sau informale
• CULTURA
Set de valori acceptate de majoritatea membrilor
10/27/20 organizatiei
 SI – dimensiunea manageriala

• Managerii stabilesc strategiile/ politicile

organizationale pentru a raspunde la provocarile/
oportunitatile de afaceri

• Managerii trebuie sa actioneze

Creativ
Responsabil

10/27/20
SI – dimensiunea tehnologica

HARDWARE si SOFTWARE
• Tehnologii de gestionare a datelor,
informatiilor, cunostintelor…
• Tehnologii colaborative
• Analitici, Inteligenta Artificiala

Infrastructura IT
 SI – abordarea tehnologica

Un ansamblu structurat de resurse:

hardware, software, oameni, date,
proceduri
pentru colectarea, stocarea,
procesarea si difuzarea informatiei
in cadrul organizatiei

10/27/20
 Componentele SI

Componente organizationale:
• informatia
• procesele afacerii
Componente tehnice:
• proceduri
• hardware
• software
10/27/20
 Data / Informatie / Cunostinta
• DATE
Simple observatii cantitative
• INFORMATII
Date insotite de semnificatie (pentru un anumit
utilizator intr-un context dat)
• CUNOSTINTE
Semnificatii ale relatiilor complexe stabilite intre
informatii intr-un context dat

10/27/20
 Data / Informatia / Cunostinta
INTELIGENTA
Independenta
fata de context
CUNOSTINTA Intelegerea
principiilor

INFORMATIA Intelegerea modelelor

Intelegerea relatiilor

DATA Intelegere

legere
10/27/20
 OMUL SOFTWARE

Nivel Model
conceptual
Conceptual

Intelegere Formalizare
Abstractizare

Nivel Se traduce
Model verbal Model logic
Logic

Descriere Implementare

Perceptie, Inregistrare
Nivel
Fizic

REALITATE HARDWARE

10/27/20
Evolutia IT
Ø Mainframe & minicomputer : 1959 - prezent
1958 IBM mainframe
1965 minicomputerele DEC (mai ieftine)
Ø PC : 1981 - prezent
1981 - IBM PC
Proloferarea in anii 80, 90 – rezultat: o dezvoltare a
“software-ului personal”
Ø CLIENT – SERVER : 1983 – prezent
Retele de clienti conectati la servere – procesarea
informatiilor se impartita intre clienti si server
Network may be two-tiered or multitiered (N-tiered)
Diferite tipuri de servere (retea, aplicatie, Web)
10/27/20
Evolutia IT
ØEnterprise Computing (Sisteme informatice
organizationale): 1992 - prezent
Integrarea diferitelor retele, sisteme, aplicatii
utilizand standardele Internet si aplicatiile la nivelul
organizatiei

ØCloud Computing: 2000 - prezent

Companiile obtin facilitati de procesare si aplicatii
software in spatiul vitrual (Internet)

10/27/20
Oameni implicati in dezvoltarea
SI
Departament IT
• analisti si programatori
• administratori de date
• experti IT
• Business Analysts
• Data translators
• Data Scientists
Utilizatori
Consultanti
10/27/20
 IT, Infrastructura IT, SI

• IT
Hardware + Software
• INFRASTRUCTURA IT
Hardware + Software + Capital uman
• SI : dimensiuni :manageriala, organizationala si
tehnologica
Infrastructura IT + Informatii + Procesele afacerii
10/27/20
SOFTWARE – tipuri de SI (abordare
sistemica)
SISTEMUL DE CUNOŞTINŢE

date, informaţii, cunoştinţe SII modele, interpretări, soluţii

Modelul
OICD al
SSD unei

SISTEMUL OPERAŢIONAL
ST
organizatii
SISTEMUL DECIZIONAL

INFORMATIONAAL
decizii date

informaţii
SISTEMUL ordine

MIS SCO
SOFTWARE –tipuri de SI (abordare
manageriala)
• Nivel executiv
EIS (previzionare vanzari, planificare)
• Nivel managerial
SIAD (analiza profitabilitate) Sisteme Suport
pentru decizii
SIG (controlul stocurilor)
• Nivel cunoastere
SGC (KMS)
• Nivel operational
ST (procesare comenzi, contabilitate)
10/27/20
SOFTWARE – tipuri de SI (abordare
functionala)

• Sisteme Informatice integrate la nivelul

organizatiei

1. ERP
2. SCM
3. CRM
4. SGC (KMS)

10/27/20
 ERP
• Modelarea si integrarea principalelor procese de afaceri si
utilizarea unei baze de date unice

Procese de productie Financiar

Vanzari Resurse umane

 SCM
• Gestionarea relatiilor cu furnizorii

• Informatii privind
comenzile, productia, nivelul stocurilor,
furnizarea de produse si servicii

10/27/20
 CRM
• Coordonarea tuturor proceselor de afaceri in
cadrul carora se relationeaza cu clientii
(vanzari, marketing, service) in scopul
maximizarii satisfaciei acestora

• Integrarea activitatilor legate de clienti si a

tuturor informatiilor referitoare la acestia

10/27/20
 KMS
• Achizitionarea, crearea, stocarea, distribuirea,
utilizarea si integrarea cunostintelor

• Gestionarea eficienta a cunostintelor interne,

dar si a celor externe organizatiei

10/27/20
 De ce investitia in IT nu garanteaza intotdeauna
rezultatele asteptate ?
Activele complementare
• Active organizationale
Model de afacere, procese de afaceri, cultura organizationala,
stabilirea responsabilitatilor in cadrul procesului decizional
• Active manageriale
Mediile lucru colaborative, suport pentru schimbarile impuse de
noile tehnologii
• Activele sociale
Infrastructura Internet si telecomunicatii, standarde, norme,
stabilitatea pietii
10/27/20
 Business - IT

“Information systems are too important to be left to

computer specialists.”
Asteptarile utilizatorilor...
 Managerii trebuie sa isi asume rolul
principal in deciziile legate de sistemele
informatice din organizatiile lor.

“In the corporate world, users usually get

what they are given because their leaders
have not bothered to define what they
want. Executives who don’t take time to
develop a digital strategy get the IT they
deserve.”
(Joe Peppard)

„YOU are responsible for the

business returns of the systems, not
IT!”
(A. Watts)
 Specialistii IT

• Trebuie sa “repozitioneze”
utilizatorul si cerintele acestuiain
centrul activitatii lor
 “Marketers need to better communicate
It is crucial with IT by helping them understand
what the real business need is and the
for the CMO rationale to support it. Marketers also
and CIO to must demonstrate to IT that the business
strategy is at the forefront and that the
work customer is at the center of their
decisions. On the other side, IT needs to
together for better understand that marketers are
the better of ultimately responsible for business
growth and innovation and join forces
their for the best road to success”
organization Nancy Costopulus, CMO of the AMA
 Perspective…
• Big Data – digitalizarea pe scara larga a
informatiei

Volum – 44.000 exabytes in 2020 / 160.000 exabytes

in 2025
Varietate
Viteza
Veracity (“incredere”)
Value (valoare)
10/27/20
Big Data - VOLUM
Big Data - VARIETATE
Big Data - VITEZA
10/27/20
 Tehnologiile informationale
schimba lumea in care traim…
 • Well – being, anti-aging
• Securitate
• Preocuparea pentru mediu
• Cautarea de sine, spiritualitate
• Simplitate, pragmatism
• Colaborare, timp-real
• Preferam sa“utilizam” in loc sa ”detinem”
• Suntem constienti de puterea noastra vis-à-vis de
“brand”
Noi ne • ….

schimbam…
Organizatiile se schimba…
Cultura organizationala - modele
Economie Economie Economie Economie
feudala industriala bazata pe bazata pe
cunoastere creativitate

Organizare Teritorial Ierarhie Retea Linie

Focus Pamant Profit Client Inovatie

Cultura Dominatie Control Responsabilitate Contributie

Control Responsabilitate Contributie Creativitate

Performanta Cantitate Eficienta Eficacitate Calitatea vietii

 BUSINESS INTELLIGENCE, COMPETITIVE
INTELLIGENCE, MARKET(ING) INTELLIGENCE

DATA MINING, KDD

TEXT MINING, WEB MINING

Inteligenta –
promisiunea BUSINESS ANALYTICS

noilor BIG DATA , Big Data ANALYTICS

tehnologii
ARTIFICIAL INTELLIGENCE
informationale
KNOWLEDGE MANAGEMENT

Cognitive business
 Perspective…

• ANALITICI – orice proces bazat pe date care

genereaza “insight”
• BUSINESS ANALYTICS – de la “insight” la
valoare
• Big Data Analytics
• Data SCIENCE
• Artificial Intelligence
• Data – driven organizational culture
10/27/20
 IT – suport in procesul
decizional
• Abordarea “curenta”
Ø DSS – Modelare si analiza
Ø DSS – Business Intelligence / Business
Analytics
(D→ I→ C→ decizie)

• Abordarea “moderna”
Big Data / Big Data Analytics / AI
Data-driven decision making
DSMS (Data Stream Management
Systems)
 „Organizations that embrace
”Data- marketing metrics and create a data-
driven” driven marketing culture have a
competitive advantage that results in
Marketing significantly better financial
performance than that of their
competitors”
Mark Jeffery
 It is crucial
for the CMO ”By the year 2022, CMOs will spend
and CIO to more on IT than their counterpart
CIOs. Marketing is becoming
work increasingly technology-based.
together for Harnessing and mastering Big Data
is now the key to achieving
the better of competitive advantage. Many
their marketing budgets already are larger
– and faster growing – than IT
organization budgets.”
Gartner report
 “As the digital age
progresses, assumptions
around the fixed nature
of ‘what’ humans are is
Ce ne beginning to be
rezerva challenged.
Technology, and its
viitorul? applications, are poised
to affect every aspect of
what we call humanity”
Daryl Plummer, Gartner, oct.
2019
 Big Data va modifica in mod
fundamental vietile noastre – totul
va putea fi “cuantificat”
Big Data
& Mindshift:
Big Data Ajustare a ideilor “traditionale” in
management, proces decizional,
Analytics resurse umane, educatie…
Sa avem incredere (doar ?) in date
“What is the worth of me? I beg you to rate me!”
The negative character of human valuation
China Experiment
http://bit.ly/2znruse
ASISTAREA INFORMATICA
TEHNOLOGII
A PROCESULUI INFORMATIONALE
DECIZIONAL
SUPORT PENTRU
MANAGEMENTUL AFACERILOR

• Managementul afacerii

• Decizii. Mediu decizional

• Procesul decizional – faze, activitati

• Procesul decizional – suport informatic.

Tehnologii informationale
 • Un proces prin care se urmareste
atingerea obiectivelor organizatiei prin
utilizarea resurselor de care aceasta
MANAGEMENT dispune.

• Management ≠ Proces decizional

 • Modelul managerial clasic :
5 functii (roluri manageriale)
Planificare
Organizare
Coordonare
Decizie
Roluri Control

manageriale • Modelele moderne

(“comportamentale” )
Comportamentul actual al managerilor tinde
sa fie mai putin sistematic si mai mult
informal, mai putin reflectiv si mai mult
reactiv, mai putin “organizat” decat in
modelul clasic.
 Roluri Roluri Roluri
interpersonale informationale decizionale
• Reprezentant • “Centru de • Antreprenor
• Conducator comanda “ • Gestionarea
• Conector • Diseminator conflictelor
• Purtator de • Alocator de
cuvant resurse
• Negociator

Roluri manageriale (Mintzberg)

 Decizia
• rezultatul unor activitati constiente de

Mediu alegere a unei directii de actiune si a

angajarii in aceasta, fapt care implica,
de obicei, alocarea unor resurse.
decizional
- Decizii • apartine unei persoane sau unui grup
de persoane care dispun de autoritatea
necesara si care raspund pentru
folosirea resurselor in anumite situatii
date.
• Deciziile strategice determină obiectivele,
resursele şi politicile organizaţiei.

• Deciziile tactice -de control managerial-

urmărirea eficienţei şi a eficacităţii cu care sunt
utilizate resursele, precum şi a eficienţei unităţilor

Decizii -
operaţionale.

• Deciziile operaţionale -de control

operaţional - determină modalităţile în care se
clasificari
execută sarcinile stabilte la nivelele superioare.

• Deciziile privind cunoştinţele - evaluarea

ideilor privind noi produse şi servicii, metodelor de
comunicare a noilor cunoştinţe şi de difuzare a
informaţiilor în cadrul organizaţiei
Deciziile nestructurate (neprogramabile)
• elementele deciziei sunt mai mult calitative
• obiectivele si scopurile nu sunt precise
• nu exista un algoritm de rezolvare cunoscut – fac apel la
judecata, evaluarea, experienta decidentului

Decizii -
Deciziile structurate (programabile)
• obiectivele şi scopurile sunt precise

clasificari
• există un algoritm de rezolvare., o procedura clara deci nu
trebuie sa fie tratate ca fiind probleme noi
• Repetitive, de rutina

Deciziile semistructurate
• decizia are elemente predominant cantitative
• obiectivele si scopurile nu sunt precise
• procedura algoritmică de rezolvare nu acoperă în totalitate
ansamblul elementelor problemei.
 Nivelul decizional
Tipul de decizie Operaţional Tactic (managerial) Strategic
structurată • Facturi • Analiza bugetului • Management
financiar
• Plaţi • planificare pe
termen scurt • sistem de distribuţie
• ordine de intrare
• situaţii privind • amplasarea
personalul depozitelor
semistructurată • Planificarea • Evaluarea creditelor • Construirea de noi
producţiei unităţi
• elaborarea bugetului
• gestiunea • fuziuni şi achiziţii
stocurilor • planificarea
proiectelor • noi produse sau
servicii
nestructurată Aprobarea • Negocieri • Cercetare-
împrumuturilor dezvoltare
• angajări la nivelul • planificare termen
conducerii lung
• dezvoltarea de noi
• lobby tehnologii
 F un ansamblu de activitati pe care le
desfasoara un individ/grup, confruntat
Procesul cu un eveniment ce genereaza mai
multe variante de actiune, obiectivul
decizional fiind alegerea unei variante care
corespunde sistemului de valori al
individului/grupului.
Procesul decizional - faze
INFORMARE
GENERALĂ
problema

CONCEPERE
model

ALEGERE
decizia

IMPLEMENTARE
Informare generala - etape
• Identificarea problemei
• Clasificarea problemei
• Descompunerea problemei in subprobleme
• Stabilirea responsabilitatilor

REZULTAT: descrierea formala a problemei identificate, a categoriei din

care face parte si a responsabilitatilor implicate
Informare generala
(Intelligence)
• achizitionarea informatiilor
organizatie
mediu
concurenti
clienti
furnizori
generale
• procesarea datelor
interna
externa
• analiza incrucisata a datelor interne si externe
• identificarea problemei/oportunitatii
• stabilirea obiectivelor
Concepere (modelare)- etape
• Alegerea unui criteriu de selectie
normativ
descriptiv

• Generarea alternativelor
automat
manual – euristici

• Stabilirea rezultatului fiecarei alternative

certitudine
risc
incertitudine
Concepere (Design)
• Identificarea alternativelor

• Modelare
Definirea modelului
parametrii
variable de decizie
variabile obiectiv
relatii
restrictii
Validarea modelului

• Evaluarea alternativelor (solutiilor)

cost
beneficii
timp

• Stabilirea criteriilor de performanta

 Proces de căutare Sfârşit Soluţia

Generează soluţii din ce în Nu mai este

ANALITICE c e m a i b u n e p e n t r u a
posinilă nici o OPTIMĂ
î m b u n ă t ă ţ i r e a
o b ţ i n e s o l u ţ i a o p t i m ă

s o l u ţ i e i

Sunt testate toate soluţiile

Alegerea – metode

s-au testat toate OPTIMĂ

COMPLETĂ
p o s i b i l e
soluţiile

NCREMENTALĂ

Metode
de căutare CEA MAI
PARŢIALĂ

Testează doar anumite S-a găsit o BUNĂ DIN

a l t e r n a t i v e ; a u t o m a t s e s o l u ţ i e
C E L E

r e n u n ţ ă l a c e l e m a i p u ţ i n s a t i s f ă c ă t o a r e
T E S T A T E

b u n e

Sunt testate doar soluţiile S-a găsit o soluţie SUFICIENT

p r o m i ţ ă t o a r e
s a t i s f ă c ă t o a r e
DE BUNĂ
EURISTICE
Alegere (Choice)
• Aplicarea criteriului de performanta

• Alegerea solutiei (optime sau satisfacatoare)

• Analiza solutiei
Analiza de risc
Analiza de senzitivitate
Evaluarea scenariilor
cel mai bun
cel mai prost
cel mai probabil

• Identificarea solutiilor alternative ( back-up)

Implementare
• Definirea planului de actiune general
deliverabile
termene limita
actiuni
restrictii
probleme

• Detalierea planului de actiune

descompunerea actiunilor in operatii
identificarea resurselor
alocarea resurselor la nivel de operatie

• Programarea planului de actiune

 Suport pentru managementul
afacerilor

•Suport cognitiv – teorii, modele, expertiză

•Suport tehnic – tehnologii, software

•Suport organizational - sisteme

Procesul decizional – suport
informatic. Decizii structurate
• Deciziile structurate pot fi abstractizate, analizate si clasificate
in diverse categorii ( alocare de resurse, bugetare, aprovizionare,
gestionarea stocurilor etc). Pentru fiecare categorie poate fi
identificata o metoda de cautare a unei solutii (suport cognitiv).

• Management si cercetari operationale

Utilizarea modelelor matematice pentru a analiza o decizie

manageriala (probleme, oportunitati)
Procesul decizional – suport
informatic. Decizii structurate

• Automatizarea procesului de adoptare a deciziilor

• SAD – Sisteme automate de adoptare a deciziilor

Sisteme bazate pe reguli care ofera solutii pentru

probleme puternic structurate, repetitive intr-un
domeniu specific.
Procesul decizional – suport
informatic. Decizii nestructurate
•Solutii particulare

•Intuitie si judecata

•Colaborare/ tehnologii colaborative

Procesul decizional – suport
informatic. Decizii semistructurate
Utilizarea combinata a unor proceduri standardizate
si a judecatii umane - Informatii relevante pentru contextual
decizional, solutii alternative, impactul probabil al acestora.

• Modele/ proceduri pentru partea structurata a

problemei

• Modele personalizate (Sisteme Suport pentru

Decizii - SSD) pentru partea nestructurata
 Calculator
• Context stabil
• Repetitivitate
• Caracter programabil
• Informaţii uşor accesibile
• Criterii decizionale clare
Structurate
Manager + Calculator Manager
• Context volatil
• Atipic, unic, discret
• Intuitiv, creativ
• Acces dificil la informaţii
SSD • Criterii decizionale neclare
• Informaţii uşor accesibile
• Criterii decizionale clare
Semistructurate Nestructurate
DECIZII
 • modelare (decizii structurate ): decizii
automatizate

Procesul • modelare personalizata (decizii

decizional
semistructurate / nestructurate):
experimentarea mai multor modele, adaptarea unor
modele existente sau construirea unor modele proprii

– suport Sisteme informatice:

- DSS (1970)
informatic - Sisteme INTERACTIVE de asistare a deciziei
(1980)
suport soft (instrumente software )+ aplicatii - un proces
iterativ si interactiv in cadrul caruia se elaboreaza mai
multe schite de solutii

- 1990 - SIAD bazate pe modele

 Tehnologiile “business intelligence” -
1990
• Accesul imediat la date si obtinerea de
informatii utile in orice context
Procesul decizional (indiferent de gradul de
structurare a deciziei)
decizional • Realizarea unui mecanism pentru
analize ad-hoc ale datelor actuale si/sau
– suport a celor cu caracter istoric
• Analiza informatiilor
informatic • D→I→C

Sisteme Informatice :
- 1990 - SIAD bazat pe date
 Concept generic care
grupeaza instrumente din
Business domeniul afacerii si al
informaticii, utilizate in
Intelligence vederea tranformarii
datelor in informatii, a
informatiilor in decizii si a
deciziilor in actiuni
Exploatarea inteligentă a datelor

DATE Þ INFORMAŢII Þ CUNOŞTINŢE

• un proces de valorificare a datelor prin:

- sintetizarea datelor după diverse criterii,

- analiza datelor astfel centralizate
(informatii) pentru identificarea anumitor
tipare şi corelaţii
- interpretarea datelor si informatiilor
 Sintetizarea datelor

Tehnologii “clasice” Tehnologii BI

• Interogarea BD •Data-warehousing
(Group by - SQL)
•OLAP
• Raportare (totaluri si
subtotaluri) (What if? DE CE?
• OLTP CUM?)
• (Cine? CE?...)

29
 tehnologie de centralizare,
consolidare, reorganizare şi
stocare a volumelor mari de
date preluate din sisteme
informatice eterogene, date
care vor fi baza procesărilor
Depozitarea analitice necesare proceselor
datelor de decizie.
(Data
warehousing) Depozitul de date (« Baza de
informatii » )
stocheaza toate datele relevante
pentru o organizatie in diferite
contexte decizionale
 tehnologie de agregare a
datelor stocate în depozite
OLAP într-o abordare
(On-line multidimensională care
asigură acces rapid la
analytical informaţiile necesare analiştilor
processing) şi managerilor într-o manieră
consistentă, interactivă şi foarte
flexibilă
Analiza

Identificarea unor relaţii între datele sintetizate:

®tipare,
®asocieri,
®corelaţii pe plan structural, funcţional şi
cauzal.

prin compararea datelor curente cu date de

referinta

32
 ANALIZA

Tehnologii “clasice” Tehnologii BI

• tehnici de prezentare grafică a
datelor
• tehnici de observare analitică a
datelor fundamentate pe teorii
matematice (theory-driven) -
compară datele reale cu datele
teoretice produse de un model
ipotetic.
Theory driven
ANALIZA STATISTICA
TRENDURI, CORELATII
• tehnici de observare
automată, bazate pe date
(data-driven) - data mining.
Data driven
Data mining
Clasificari, Grupari, Asocieri
Analiza predictiva
Text mining
Web mining

33
 tehnologie de explorare a datelor
stocate în depozite în încercarea
de a descoperi aspecte noi ale
activităţii desfăşurate, aspecte
trecute în mod normal cu
vederea: corelaţii între
DATA MINING evenimente, asociaţii între
anumite fapte, secvenţe, tipare de
comportament.

Exemplu: Identificarea unor modele de

comportament prin explorarea datelor
referitoare la clienti (campanii de marketing)
pentru identificarea clientilor profitabili
 Utilizeaza tehnici DM si ipoteze
privind evolutia viitoare pentru
a previziona rezultate

ANALIZA Exemplu: Care este probabilitatea ca un

client sa raspunda unei anumite oferte?
PREDICTIVA

Data Analiza
mining predictiva

Ce se va
Exploreaza intampla?
 Extragerea de informatii din colectii de
date nestructurate
• E-mail
• Chat
TEXT MINING • Documente
• Prezentari

Datele nestructurate (semistructurate)

reprezinta aproximativ 80% din
informatiile utile pentru organizatie !!!
 Identificarea si analiza de informatii utile
din WWW
WEB MINING
• Web content mining
• Web structure mining
• Web usage mining
 INTERPRETARE
• un proces cognitiv care conduce la
- o apreciere generală a situaţiei,
- identificarea unor probleme sau sesizarea unor oportunităţi,
- stabilirea potenţialelor cauze ale problemelor sau sugestii de
rezolvare a lor.
• un proces în care se face apel la cunoştinţele cu caracter
general, fundamental şi specific asociate domeniului
respectiv precum şi la experienţa existentă.
• produce cunoştinţe noi care se vor adăuga la cele existente.

Inteligenta Artificiala
 • Modele de reprezentare a
cunostintelor
Inteligenta • Rationament artificial
Artificiala
 Adaptive business intelligence (2005)
• Asistarea deciziei ≠ adoptarea deciziei
• Optimizare, predictie pentru a furniza decizii
cat mai bune (aproape optime)
Procesul • Adaptabilitate pentru ajustrea solutiilor
oferite in functie de evolutia viitoare
decizional
– suport Business Analytics (2006)
• ANALITICI: orice analiza bazata pe date
informatic care produce “insight” (valoare)
- sunt bazate pe Date (si mai putin pe “opinii”)
- utilizeaza in principal tehnici/ modele cantitative
Business Analytics

• Analitici – termen care se impune (incepand cu anul 2005)

in contextul asistarii informatice a procesului decizional

analiza cantitativa a datelor, utilizand metode statistice si

matematice sofisticate, pentru a intelege, previziona si
optimiza performanta unei organizatii.

• Business Analytics – analiza cantitativa a datelor in scopul

asistarii deciziei.
ANALITICI – clasificare
• Analitici Descriptive - Raportarea si vizualizarea activitatii
CE s-a intamplat? CE se intampla?
BI (DW, OLAP), Raportare (Dashboards), Managementul performantelor
Probleme si oportunitati

• Analitici Predictive - Intelegerea/ explicarea activitatii ; Previzionarea

activitatii viitoare
DE CE (s-a intamplat)? CE se va intampla in viitor?
Statistica, BI (Mining), Machine learning
Predictii

• Analitici Prescriptive - Cum ar trebui sa actionam?

CE trebuie sa facem?
Reguli, Optimizare, Simulare
Cele mai bune decizii si actiuni
 Business Intelligence vs. Business Analytics

1. BA – o “extensie” a termenului BI ( de la raportare/

intelegere la actiune)

“ Daca BI se opreste la raportarea performantei, BA cuprinde

atat raportarea performantei, cat si incercarea de a o
intelege/explica si previziona”
 Business Intelligence vs. Business Analytics
• BI - “Informarea” proceselor decizionale – furnizarea informatiilor
utile, relevante intr-un anumit context decizional (Ce s-a intamplat?
Care este situatia curenta?)
• BA – utilizarea unor analitici avansate, bazate pe analiza cantitativa a
datelor, in procesul de asistare a deciziilor (De ce ? Ce trebuie sa
facem?)

BI BA
(Analitici predictive si prescriptive)
(analitici descriptive)

DateèInformatii èCunostinteè Decizie èActiune

 BUSINESS INTELLIGENCE BUSINESS ANALYTICS

Raspunde la intrebari de tipul: CE s-a intamplat? DE CE s-a intamplat?

CAND? SE VA INTAMPLA din nou?
CINE? CE SE VA INTAMPLA DACA?
CAT? CE ar trebui sa facem in
legatura cu asta?

Include RAPORTARE (KPI’s) ANALIZE CANTITATIVE

MONITORIZARE AUTOMATA DATA MINING

DASHBOARDS MODELARE PREDICTIVA

SCORECARDS TESTE MULTIVARIANTA

OLAP OPTIMIZARE
SIMULARE
INTEROGARI ad-hoc
SAD
 Business Modelare
intelligence predictiva

Ce s-a intamplat? Ce terbuie sa facem?

BA
INTELEGERE ACTIUNE
 Business Intelligence vs. Business Analytics

2. BA – inclus in BI.
Utilizarea extensiva a metodelor analitice in exploatarea
datelor este o tendinta naturala in evolutia BI, explicata atat
de necesitatile crescande ale decidentilor, cat si de
dezvoltarea tehnologiilor.

Accentul pus pe “analitici” reprezinta o etapa in dezvoltarea

BI
 BIG DATA Analytics
Analiza unor volume foarte mari de date,

Procesul cu tipologii diferite, pentru a descoperi

corelatii ascunse, modele si alte informatii

decizional utile procesului decizional.

– suport MapReduce, Hadoop, Hive, Pig,

Hbase, Flume, Cassandra, Oozie,
informatic Ambari, Avro, Streams, Mahout,
Sqoop, Hcatalog, ….
Procesul decizional – suport
informatic. Tehnologii
• Utilizarea anumitor tehnologii in mod independent,
pentru rezolvarea diferitelor aspecte ale unei
probleme complexe

• Utilizarea unor tehnologii care comunica intre ele in

sensul transferului de date si informatii

• Utilizarea mai multor tehnologii integrate intr-un

singur sistem informatic
Business
Intelligence
 • Nu exista o definitie unanim
acceptata pentru BI

Ce • Un domeniu relativ nou in

sistemele informationale

reprezinta • Are diferite semnificatii si este

abordat diferit de catre
BI? utilizatori (manageri),
producatori de software
comunitatea academica
 Pentru prima data…
• Termenul de BI a fost utilizat in 1958, intr-un articol intitulat “ A
Business Intelligence system” (Luhn):

“... Facilitatea de comunicare care deserveste gestionarea unei afaceri

poate fi considerata ca fiind un sistem inteligent. Notiunea de
inteligenta este definita in acest context ca fiind abilitatea de a intelege
relatiile dintre faptele prezentate intr-un fel care sa ghideze actiunile
intreprinse catre obiectivul urmarit.”
 Gartner research
Gartner IT Glossary

BI este un termen “umbrela” care iclude aplicatiile, infrastructura,

instrumentele si cele mai bune practici care permit accesul la informatii
si analiza acestora pentru a imbunatati si optimiza deciziile si
performanta organizatiei.
Abordari in definirea BI
ABORDARE MANAGEMENT TEHNOLOGIE PRODUS

Focus Accent pe procesul de

culegere de date din surse
Accent pe
instrumente si
BI este descrisa ca
fiind
interne si externe si de tehnologii care permit • un rezultat/produs
analiza a acestora in scopul inregistrarea, al unei analize
obtinerii de informatii regasirea, profunde a datelor
relevante care sa sustina un manipularea si analiza de detaliu
mai bun proces decizional. informatiilor. • practici de analiza
utilizand
instrumente BI

Author IBM (1999), Business Objects Moss,Atre (2003), Chang(2006), Turban

(2007), Cognos (2004), Sas Turban et al(2007), et al(2007), Shi et al
Institute(2007), Oracle (2007), Oracle (2007), (2006)
Turban et al (2007), Negash(2004)
Informatica, Teradata,
Microstrategy (2007)
 BI - un proces in cadrul caruia datele din
surse interne si externe organizatiei sunt
integrate cu scopul de a genera informatii
care sa ofere un suport pentru procesul
decizional.
BI –
abordarea Focus: Coordonarea si gestionarea
procesului prin care diferite surse de
manageriala informare – in pricipal sisteme
operationale/ tranzactionale interne si
externe organizatiei – pot fi integrate si
analizate coerent in scopul asistarii
procesului decizional.
 BI – o categorie de instrumente, software,
solutii si tehnologii care permit
decidentilor sa identifice, organizeze si
acceseze un numar mare de informatii din
diferite surse de date.
BI –
Focus : nu pe procesul in sine, ci pe
abordarea tehnologiile care sustin acest proces (
tehnologica colectare, stocare, consolidare, analiza a
datelor)
Obiectivul: descoperirea unor informatii
ascunse in acest volum mare de date
Cum? Un mix potrivit de tehnologii (DW,
OLAP, DM)
• Abordarea manageriala – obtinerea celor mai valoroase informatii
intr-un context decizional. Aceasta necesitate nu s-a modificat in
ultimele decenii (doar in sensul intensificarii ei ) asa cum nu s-au
modificat nici “barierele” care stau in calea acestui obiectiv.
ASPECT STATIC

• Abordarea tehnologica – tehnologiile utilizate pentru a raspunde

acestei necesitati. Tehnologiile evolueaza extrem de rapid, uneori
modificandu-se radical
ASPECT DINAMIC
 • BI este privita din perspectiva unei
solutii

BI – • BI este un produs rezultat in urma

procesarii avansate a datelor,
produs informatiilor si cunostintelor si a
practicilor analitice care sustin
procesul decizional si evaluarea
performantelor.
 • Abordarea tehnologica – SISTEME BI

• Abordarea manageriala –
BI - IMPLEMENTAREA sistemelor BI

abordari • Abordarea tip solutie/produs –

rezultatul analizei datelor care provin
din diverse surse:
INFORMATII ACTIONABILE
 arhitectura arganizationala in cadrul careia sunt
integrate diverse aplicatii operationale si de
asistare a deciziilor si baze de date care

• ofera diverselor tipuri de utilizatori un acces

Sisteme BI facil la informatii,
• faciliteaza analiza si diseminarea informatiilor,
• ofera asistenta procesului decizional
 instrumente utilizate pentru transferul datelor din
sistemele tranzactionale in depozitul de date (ETL)

Depozitul de date (DW) – stocarea datelor agregate in

cadrul unui context de analiza

OLAP - analiza multidimensionala a datelor stocate in

depozite
Sisteme BI
- structura Data Mining – descoperirea de modele, reguli,
corelatii in datele stocate in depozite

Instrumente de raportare si interogari ad-hoc

Nivele de prezentare a informatiilor - grafice,

interfete multimedia pentru a oferi utilizatorilor
informatii intr-o forma cat mai accesibila si relevanta
VS.
“Analytics “ – termen care se impune
(incepand cu anul 2005) in contextul
asistarii informatice a procesului
decizional Business
Ø analiza cantitativa a datelor, utilizand
Intelligence
metode statistice si matematice
sofisticate, pentru a intelege,
vs.
previziona si optimiza performanta Business
unei organizatii.
• Business Analytics – analiza cantitativa Analytics
a datelor in scopul asistarii deciziei.
 Business 1. BA – o “extensie” a termenului BI (
de la raportare la actiune)

Intelligence “ Daca BI se opreste la raportarea

vs. performantei, BA cuprinde atat raportarea
performantei, cat si incercarea de a o
Business intelege/explica si previziona”

Analytics
 BUSINESS BUSINESS ANALYTICS
INTELLIGENCE
Business Raspunde la intrebari CE s-a intamplat? DE CE s-a intamplat?
Intelligence de tipul: CAND?
CINE?
SE VA INTAMPLA din nou?
CE SE VA INTAMPLA DACA?
– Business CAT? CE ar trebui sa facem in
legatura cu asta?
Analytics
Include RAPORTARE (KPI’s) / ANALIZE CANTITATIVE

MONITORIZARE DATA MINING

AUTOMATA
MODELARE PREDICTIVA
DASHBOARDS
TESTE MULTIVARIANTA
SCORECARDS

OLAP

iNTEROGARI ad-hoc
 Business Modelare
intelligence predictiva

Ce s-a intamplat? Ce terbuie sa facem?

BA
INTELEGERE ACTIUNE
 2. BA – inclus in BI.
Business Utilizarea extensiva a metodelor analitice
in exploatarea datelor este o tendinta
Intelligence naturala in evolutia BI, explicata atat de
necesitatile crescande ale decidentilor, cat
vs. si de dezvoltarea tehnologiilor.

Business Accentul pus pe “analitici” reprezinta o

Analytics etapa in dezvoltarea BI
 • Raportarea si vizualizarea activitatii –
CE S-A INTAMPLAT?

Tehnologiile • Intelegerea/ explicarea activitatii - DE

CE S-A INTAMPLAT ?
BI • Previzionarea activitatii viitoare – CE SE
VA INTAMPLA?
• Cum ar trebui sa actionam? - CE SA
FACEM?
 • Marketing – analiza datelor este
extrem de importanta.
Campanii de marketing
BI in Alocare resurse

marketing Identificare clienti tinta

• BI – posibilitatea de a analiza datele

din mai multe perspective
 • Care sunt intrebarile potrivite?
BI in • Identificarea si targetarea populatiilor
cheie
marketing • Rapoarte care contin informatii de
calitate (relevante,in timp real)
 BI in marketing

INFORMATII COMPLETE TARGETARE PRECISA A IMBUNATATIREA ANALIZA CAMPANIILOR DE

DESPRE CLIENT INDIVIDUALI CAMPANIILOR DE SATISFACTIEI CLIENTILOR MARKETING IN TIMP REAL
PENTRU O MAI BUNA MARKETING (SERVICE CLIENT, FIDELIZARE
SEGMENTARE CLIENT)

ABILITATI SPORITE PENTRU O MAI BUNA INTELEGERE A INSTRUMENTE PENTRU INSTRUMENTE PENTRU
DETERMINAREA CLTV ELASTICITATII PRETURILOR, MANAGEMENT MANAGEMENTUL
A CERERII PERFORMANTELOR
 Business Intelligence – concept
demodat?
• Un termen utilizat pe scara larga in contextul asistarii informatice a
procesului decizional.
• Nu exista o definitie unanim acceptata pentru termenul BI – are
multe fatete si la fel de multe intelesuri in functie de contextul in
care este utilizat

• Departe insa de a fi un termen ambiguu, BI este un concept generic

care grupeaza elemente din domeniul afacerii si al informaticii
(procese, tehnologii, aplicatii, practici) utilizate in procesul de
asistare a deciziilor.
 BI este un concept care evolueaza
continuu

necesitatile crescande ale

BI decidentilor – atat de informare,
evolutie cat si privind suportul analitic

dezvoltarea tehnologiilor
informationale
Marketing
Intelligence
Business Intelligence
Competitive Intelligence
Market Intelligence

"See the Enemy, See the

Battlefield, See Yourself."
SunTzu
 • CI - ce face (si ce este capabila sa faca)
competitia

Business • BI - ce face (si ce este capabila sa faca)

organizatia;
Intelligence • MI – mediu, piata (caracteristici,
Competitive oportunitati)

Intelligence • Desi CI, BI, and MI sunt tratate de regula

Market in mod separat, este necesara o
abordare holistica a acestor activitati
Intelligence pentru a obtine o reala valoare pentru
organizatie
VS.
 Business Intelligence vs
Competitive Intelligence

“Next to knowing all about your own business, the best thing to
know about is the other fellow’s business”
John D. Rockefeller

Competitive Intelligence
• exploateaza in principal informatiile externe organizatiei
• O ramura specializata a BI – chiar daca cei doi termeni sunt
considerati deseori sinonimi
• Procesul de consolidare a competitivitatii prin o mai buna
cunoastere/intelegere a concurentilor si a mediului
concurential
Business Intelligence

Capacitatea de a Business Intelligence-

transforma datele existente
in informatie utila care sa Concept generic care
furnizeze perspective grupeaza instrumente din
bogate si noi asupra domeniul afacerii si al
afacerii in prezent si sa informaticii, utilizate in
ofere o idee asupra vederea tranformarii
viitorului acesteia datelor in informatii, a
informatiilor in decizii si
a deciziilor in actiuni
Competitive intelligence -
achizitionarea,
selectarea, si
interpretarea
informatiilor referitoare
la mediul de afaceri – in
principal cele privind
pozitia, performantele,
caracteristicile si intentiile
concurentilor
Competitive intelligence -
procesul analitic de
transformare a unor
informatii dispersate
privind concurenta, dar si
clientii, in cunostinte
relevante privind evolutia
pietii si care permit
identificarea in timp util a
unor oportunitati/
amenintari pentru
companie
Competitive intelligence –
mediul extern organizatiei;
utilizeaza surse publice pentru
localizarea si dezvoltarea
informatiilor privind
concurenta si clientii ca baza
pentru analizele strategice

Business intelligence –
mediul intern al organizatiei;
utilizeaza toate sursele interne in
vederea obtinerii unor informatii de
sinteza relevante in cadrul proceselor
decizionale
 • Rapoarte guvernamentale
• Baze de date publice
• Interviuri, sondaje
CI • Grupuri de interese ( asociatii
comerciale, grupuri de consumatori,
Surse de cercetatori)

informare • Surse din sectorul privat ( concurenti,

furnizori, distribuitori, clienti )
• Mass media
• Internet
• Rapoarte financiare
 • Problema nu o reprezinta lipsa de
informatii, ci abilitatea de a identifica
acele informatii utile si, mai ales, a
evita dezinformarea
Competitive
Intelligence • !!! Necesitatea ca organizatiile sa se
protejeze de actiunile CI ale
concurentilor !!!
(masuri CI –contramasuri CI)
 CI este … CI nu este…
1. Analiza informatiilor pentru fundamentarea 1. Interogarea bazelor de date
unor decizii

2. Instrument managerial care avertizeaza 2. “Glob de cristal”

asupra posibilelor oportunitati si amenintari

3. Aproximari si caracterizari de ansamblu ale 3. Spionaj

pietei si concurentilor

4. Se manifesta in multe forme 4. Monitorizarea Internetului

5. Un mijloc de imbunatatire a performantelor
5. Rapoarte, grafice
6. Un proces organizational 6. O sarcina pentru o persoana foarte
bine pregatita

7. Parte integranta a organizatiilor de succes 7. O inventie a secolului 20

8. Directionata de la nivelui executiv 8. O componenta hardware

9. O perspectiva a exteriorului organizatiei 9. O stire

10. …Termen lung si termen scurt 10. Doar numere si rezultate

6-10
cuantificabile
 • Reducerea costurilor
• Reducerea riscurilor
• + valoare
• Cresterea productivitatii
• Diminuarea timpului de reactie
• Prin cunoasterea si intelegerea concurentei,
CI compania poate anticipa si reactiona la
actiunile acestora
AVANTAJE • O parte integranta in formularea strategiei
de marketing
• Imbunatatirea performantei companiei
• Identificarea unor oportunitati si a unor
probleme
• …
 avantaje: dezavantaje:
OBIECTIVITATEA consultantului Cost
EXPERTIZA pe care putine companii o
detin
Raparte generate si actualizate in mod
regulat

Externalizarea CI?
 BEST PRACTICE : CI – Legal, Etic
Vom exploata noii Ne ne vom
angajati pentru a reprezenta in Vom folosi
obtine informatii mod eronat metode
”clasificate” ilegale

Nu…

Vom Vom induce

organiza Vom in eroare
campanii de compromite consultanti,
angajare intimitatea agenti
false clientului
 • Lipsa unui “focus”– “vreau toate
informatiile pe care le poti obtine
privind concurenta”

• Ignorarea CI in procesul decisional

• Pozitionarea echipei CI prea

departe de decidenti

Evitati… • Focus doar pe concurenta

• Neglijarea semnalelor “timpurii”

• Confunzii intre CI, cercetarea de

marketing, Knowledge
management
 • CI - inteligenta “actionabila” si
nu doar o simpla “rearanjare” a
datelor

• CI - proces sustinut de
managementul executiv
In • ”Best Practices”: comunicare
concluzie permanenta cu decidentii, focus
pe subiectele cheie, grija la
aspectele legale, etice

• Procesul CI trebuie sa fie urmeze

ciclul “inteligentei “ in afaceri :
planificare, achizitionarea
informatiilor, analiza, raportare
Business Intelligence - Competitive Intelligence

MEDIUL MEDIUL
INTERN EXTERN

BUSINESS COMPETITIVE
INTELLIGENCE INTELLIGENCE

PUNCTE FORTE OPORTUNITATI

& &
PUNCTE SLABE AMENINTARI
Aplicatii BI

Aplicatii CI
definire Misiuni
Obiective
Strategii
Politici

alegere

STRATEGY

implementare

Programe
Bugete
Proceduri

evaluare
control

Performata
Rezultate

INTEGRAREA BI- CI
Sun Tzu
The Art of War, 500BC
“If you are ignorant of both your enemy
and yourself, then you are a fool and
certain to be defeated in every battle”

“If you know yourself, but not your

enemy, for every battle won, you will
suffer a loss.“

“If you know your enemy and yourself,

you will win every battle.”
 • Market Intelligence
focus : piata (o abordare de ansamblu, tinand
cont de mai multe aspecte)
Concurenti

Market Comportamentul consumatorilor

Parametrii
Inteligence
vs. • Competitive Intelligence
Focus : competitorii
Competitive Are in vedere si aspect legate de : dezvoltarea
IT, furnizori, parteneri, posibilitati de
Intelligence expansiune etc.
Urmareste evolutia fiecarui concurrent in timp
real
 • CI ofera informatii specifice despre
Market fiecare competitor care pot fi utilizate
pentru benchmarking si/ sau alte
Inteligence analize
• MI ofera informatii despre dinamica
vs. pietii (incluzand si competitia existenta)
care pot fi utilizate pentru analiza
Competitive evolutiei trecute, prezente si viitoare a
acesteia
Intelligence MI - Obiectivul principal : analiza
mediului de afaceri
 • MARKET Intelligence– achizitionarea si
analiza datelor pentru a obtine o privire
de ansamblu asupra pietei.
- Scopul principal : intelegerea
consumatorilor si a comportamentului
acestora.
- Mi este orientata spre client (client-
DATA focused)

FOCUS • COMPETITIVE Intelligence –

achizitionarea si analiza datelor pentru
a intelege caracteristicile si
comportamentul competitorilor.
CI este orientata spre afacere (business-
focused)
 • Market Intelligence – focus pe client
- Informatii sociale, economice privind
posibilii clienti.
- Date demografice, populatie, cerere

Sursele de • Competitive Intelligence– focus pe

competitor
date - Strategiile si tacticile concurentilor
- Procentele din piata detinute de acestia
- Punctele tari si punctele slabe
- Impactul concutrentilor asupra afacerii
 Market intelligence
Informatii utile pentru dezvoltarea de noi
produse, imbunatatirea satisfactiei
clientilor, castigarea de noi clienti…
IMPLICATII…
Competitive Intelligence
• Concurentii sunt diferiti!
• Planuri individualizate pentru fiecare
concurent!
 Integrarea MarketI - CI

MarketI si CI
MarketI si CI nu
trebuie integrate
sunt total
la nivelul strategiei
separate! .
de marketing!
 O abordare coerenta in
cadrul careia sunt
integrate toate
initiativele, procesele si
tehnologiile
MARKETING Business Intelligence
INTELLIGENCE Competitive Intelligence
Market Intelligence
de la nivelul organizatiei
pentru a sustine strategia
de marketing a
organizatiei
SUPORT ANALITIC PENTRU PROCESUL
DECIZIONAL
Modelare si analiza
 • MODELAREA – concept, tipuri de
modele
Suport • Structura unui model
• Optimizari, simulari, euristici –
analitic concepte de baza si conditii de
utilizare
pentru • Analiza de senzitivitate, what –if si
goal seeking (valoare tinta)
procesul • Predictii si modele predictive

decizional • Procesoarele de tabele – suport in

utilizarea modelelor
 Implică:
• conceptualizarea unei probleme
(definită în termeni generali în urma
etapei de informare din cadrul
procesului decizional)

Modelarea • abstractizarea ei în expresii

cantitative şi/sau calitative.

clase de modele şi metode specializate în

rezolvarea lor (cercetare operaţională,
finanţe, economie aplicată,
econometrie)
 • Model - o reprezentare simplificată
(o abstractizare) a realităţii.

Modele şi
Gradul de abstractizare:
metode.
• Modele fizice
Clasificari • Modele simbolice
• Modele mentale
Puternic ABSTRACTIZARE Slab

Model Model Model fizic

mental simbolic

Model Model Model Model

? matematic verbal analog iconic
 • Modelele mentale reprezintă cea mai
abstractă reprezentare a realităţii –
imaginaţia

• Modelele verbale fac parte din

categoria modelelor simbolice şi
Modele reprezintă transcrierea în cuvinte a
modelului mental – teoriile

• Modelele matematice fac şi ele parte

din categoria modelelor simbolice
numai că de această dată realitatea este
reprezentată prin intermediul unor
relaţii matematice.
 • Modelele analogice fac parte din
categoria modelelor fizice care se
caracterizează prin faptul că pun în
evidenţă caracteristicile fizice, la un alt
nivel de mărime, care se compară cu cele
din realitate. Modelele analogice se
focalizează pe anumite funcţii sau legături
existente în realitatea care se vrea
Modele reprezentată. (organigramele dintr-o
instituţie, hărţi etc)
• Modelele iconice fac parte şi ele din
categoria modelelor fizice şi reprezintă
replici la o scară mai mare sau mai mică a
realităţii. Acestea pot fi tridimensionale
(machete) sau bidimensionale (poze).
 Fiecare metodă specifică de rezolvare
poate fi aplicată unui model static
sau dinamic, care poate fi construit
în condiţii de

• certitudine
• risc
RISC • incertitudine

în funcţie de cunoştinţele de care

dispune decidentul care se pot situa
pe o scală între două extreme:
complete şi inexistente
 Modele Statice si Modele
Dinamice
• Analiza statica
– O unica prezentare a situatiei
– Un singur interval
– Stare de echilibru

• Analiza dinamica
– Evaluarea unor scenarii care se modifica in timp
– Dependenta fata de timp
– Reprezentarea unor trenduri/ patternuri
 Cunoaşterea exactă a evenimentelor economice
viitoare
Rezultatele posibile sunt cunoscute in totalitate

Aparent idealistă, această situaţie se poate produce

Deciziile în pentru anumite tipuri de activităţi.

condiţii de Luarea unei astfel de decizii are la bază o regulă de

tipul

certitudine – cel mai mic cost

– o productivitate mai bună.
– profit maxim

poate conduce la obtinerea unei solutii

optime
 Decidentul
• posedă anumite cunoştinţe obiective
asupra mediului decizional
• este capabil să prevadă probabilitatea
de apariţie a valorilor variabilelor
necontrolabile posibile şi rezultatele
fiecărei strategii analizate
Deciziile în • Distribuţia probabilităţilor astfel definite
condiţii de va permite decidentului să aleagă
varianta cu speranţa matematică cea mai
risc buna.

• Aceste decizii sunt luate pe baza

criteriului speranţei matematice
 De regulă aceste decizii sunt din categoria celor de
"orientare".

În acest caz alegerea unei variante se face în

funcţie de criterii

• obiective, care presupun un raţionament

logic.
Deciziile în Teoria deciziei - modele matematice care conţin şi
condiţii de criterii de evaluare cum ar fi: Laplace, Maximin,
Hurwicz, ca o medie ponderată a celor două
incertitudine extreme (pesimistă si optimistă), Maximax, etc.

• subiective, fondate pe ideea despre viitor a

decidentului; fiecărui eveniment viitor i se
asociază o probabilitate.
 • Selecteaza automat cea mai buna
solutie - Optimizare
programare liniara
Modele analiza cost – profit

normative tehnici de analiza a investitiilor

• Modele bine definite si structurate
• Procesul decizional este un proces
complet rational
 • Explicarea / analiza comportamentului
real a unei situatii decizionale
• Descriu lucrurile asa cum sunt (sau asa
cum se crede ca sunt)
Modele • Nu ofera o solutie, ci doar informatii
care pot conduce la o solutie
descriptive
Procesul decizional
- mai putin structurat
- nu este complet rational
 • Alternativa aleasa este cea mai buna
dintr-un set de alternative posibile
Modele • Se ajunge la o solutie satisfacatoare
mai repede
euristice
• Suboptimizare
 • variabile de decizie – descriu
posibile acţiuni alternative.
Nivelul acestor variabile este
determinat de către decident

Structura • parametri – variabile care

influenţează rezultatul dar care nu
unui pot fi controlate de către decident.
În general, aceste variabile devin
model restricţii ale problemei, limitând
soluţiile posibile ale acesteia.
• variabile rezultat – sunt variabile
dependente atât de adoptarea unei
anumite acţiuni, cât şi de parametrii
modelului respectiv.
 Modele calitative
Relatii simbolice intre elementele
Modele modelului

calitative Modele cantitative

Relatii matematice intre elementele
si modele modelului
Variabilele de decizie – alternative
cantitative decizionale
 Structura unui model cantitativ

Variabile
necontrolabile

Variabile
rezultat
Relatii
matematice

Variabile de
decizie
 Identificarea elementelor unui
model
• Diagrame de influente, harti cognitive

• Diagrame de influenta
Reprezantari grafice ale modelelor
Reprezentare vizuala a acestora
VARIABILA DE DECIZIE

VARIABILA NECONTROLABILA
SAU INTERMEDIARA

VARIABILA REZULTAT
 O diagrama de influenta pentru modelul de
determinare a profitului

Unit Price

~ Income
Amount used in
Advertisement Units Sold
Profit

Unit Cost Expenses

Fixed Cost
Diagrama de influenta Analytica pentru Marketing
 Variabile necontrolabile
Domeniu Variabile de decizie Variabile rezultat
şi parametrii

Alternative de investire şi Profit total, risk, lichiditate,

Investiţii financiare Rata inflaţiei, competiţia
sume ROI

Veniturile
Bugetul de publicitate, Cota de piaţă, satisfacţia
Marketing consumatorilor, acţiunile
locul publicităţii consumatorului
competitorului

Costul total, nivelul

Ce şi cât de mult să Tehnologia, preţul
Producţie calităţii, satisfacţia
producă materiilor prime
angajaţilor

Utilizarea
Procesarea datelor, rata
Contabilitate calculatoarelor, Tehnologii, taxe, legislaţie
erorilor
programul de audit

Planificarea Distribuţia pe distanţe

Transport Costurile de transport
transporturilor mari

Servicii Nivele de satisfacţie Satisfacţia clienţilor Cererea pentru servicii

 CLASA DE MODELE OBIECTIVE METODE DE
REZOLVARE
SPECIFICE
Optimizarea problemelor în Găsirea celei mai bune Tabele de decizie
care intervin puţine (optime) soluţii pentru un Arbori de decizie
alternative număr redus de alternative
Optimizarea cu ajutorul unui Găsirea soluţiei optime pentru Programare liniară
algoritm un număr foarte mare sau
infinit de alternative printr-un
proces iterativ de optimizare
Optimizare cu ajutorul unei Găsirea soluţiei optime într-un Modele de stocuri
formule singur pas prin utilizarea unei
formule
Simulare Găsirea unei soluţii optime Tipuri de simulare
sau satisfăcătoare prin
experimentarea diverselor
alternative posibile
Euristici Găsirea unei soluţii Programare euristică
satisfăcătoare utilizând reguli Sisteme expert
Alte modele Rezolvă o problemă de tipul Modelare financiară
„what if“ cu ajutorul unei
formule
Modele predictive Previzionarea viitorului pentru Modele de previziune
un anumit scenariu Analiza Markov
 • Programarea matematică reprezintă
un set de metode şi instrumente
Optimizarea pentru rezolvarea problemelor
manageriale în care decidentul
cu ajutorul trebuie să aloce o cantitate limitată
unui de resurse mai multor activităţi în
scopul optimizării valorii unui
algoritm obiectiv (măsurabil).
Programare • Cea mai cunoscută şi des utilizată
metodă o reprezintă programarea
matematică liniară:
determinarea min (max) unei
funcţii obiectiv de una sau mai
multe variabile
 • un set de elemente măsurabile,
valori pentru care se caută
valoarea optimă – variabilele de
decizie;
• un set de restricţii asupra acestor
variabile, care sunt reprezentate
sub forma unor relaţii liniare;
• o funcţie obiectiv – o relaţie
Programarea matematică liniară între
liniara variabilele de decizie şi scopul
urmărit - a cărei valoare trebuie
maximizată sau minimizată;
• existenţa unor legături între toate
aceste elemente, reprezentate prin
relaţii matematice
 1. IDENTIFICAREA elementelor
modelului
• Variabile de decizie
• Variabila rezultat – functia obiectiv
• Variabilele necontrolabile
ETAPELE
rezolvarii unei • 2. FORMULAREA MODELULUI

probleme prin • 3. REPREZENTAREA MODELULUI

programare • LINDO: formulele matematice
liniara • EXCEL: introducerea datelor si a
formulelor

• 4. REZOLVAREA MODELULUI
 • A simula = a asuma apariţia
unor aspecte ale realităţii

• simularea este o tehnică de

experimentare (analize de tip
„WHAT IF” aplicate unui
model managerial)

Simularea • instrument cantitativ de

evaluare a diferitelor
alternative pe baza unor ipoteze
descrise intr-un model
matematic al unui proces
decizional in conditii de
incertitudine
 • IMITA realitatea si surprinde
complexitatea acesteia
• Tehnica pentru efectuarea unor
experimente
• Descriptiva (nu normativa)
• Utilizata frecvent pentru rezolvarea
unor probleme complexe
Simularea
Simularea trebuie utilizata
DOAR ATUNCI cand problema este
mult prea complexa pentru a putea fi
abordata cu ajutorul unei metode
normative
 Etapele procesului de
simulare
• REALITATE - definirea problemei

• realizarea modelului de simulare

• testarea şi validarea modelului

• stabilirea modalităţii de efectuare a experimentelor

• realizarea experimentelor evaluarea rezultatelor

• implementarea rezultatelor simulării - MODIFICAREA REALITATII

 • Modelare vizuala interactiva -
Visual interactive modeling (VIM)
– Visual interactive problem
solving
– Visual interactive simulation
Simulare
vizuala • Utilizeaza reprezentari vizuale
(“computer graphics”) pentru a
interactiva ilustra impactul diferitelor decizii
(Visual (alternative decizionale)
Interactive • Deseori integrate in cadrul GIS
Simulation)
• Utilizatorii pot face analize de
senzitivitate
• Sisteme de animatie statice sau
dinamice
 Variabile probabiliste :
• MONTE CARLO (Los Alamos 1940)
- Excel, @Risk, limbaje de programare
- Tratarea incertitudinii si volatilitatii
• Simularea evenimentelor discrete
Simulari. - Modelarea serviciilor operatinale

Metode si Interactiuni dinamice cu feedback:

• Dinamica Sistemelor MIT 1960 (Jay
Modele Forester)
- Modelul clubului de la Roma ”The
Limits of Growth” (1973)

• Simulari tip joc

 • Oferă o imagine de condensare a
timpului
• Permite decidenţilor o abordare prin
încercări repetate a soluţionării unei
probleme, fără a implica şi riscurile
ataşate acestui demers în situaţiile
reale.
Simulare. • Este un model construit din
perspectiva decidentului.
Avantaje • În cadrul acestei metode, este
surprinsă complexitatea reală a
problemei, nefiind necesare
simplificări în reprezentarea acesteia.
• Simularea poate fi aplicată unei mari
diversităţi de probleme manageriale.
• Există produse soft relativ uşor de
utilizat pentru efectuarea de simulări
 • nu este garantată obţinerea unei
soluţii optime, ci doar a unei soluţii
relativ bune

• soluţiile unor simulări anterioare nu

pot fi fructificate, deoarece modelul
de simulare corespunde unei singure
Simulare. probleme.
Limite • simularea este atât de familiară şi
facilă decidenţilor, încât există riscul
renunţării nejustificate la alte
metode analitice.

• construirea modelului de simulare

poate necesita mult timp şi un cost
destul de mare.
 • Descriptiv / Normativ
• Variabilele de decizie
(I / E ale modelului
Simulare vs.
Optimizare cantitativ)
• “Simpatie” / Reticenta
din partea decidentilor
 Simulare vs. Optimizare
OPTIMIZARE
Valorile variabilelor de decizie
sunt date de ieşire ale
modelului. Aceste valori sunt
obţinute cu o formulă sau cu un
algoritm de optimizare astfel
încât ele să maximizeze sau
minimizeze valoarea unei
funcţii obiectiv care exprimă
criteriul de performanţă al
modelului.
SIMULARE
Valorile variabilelor de decizie
sunt date de intrare ale
modelului. Prin simulare, pe
baza modelelor matematice, se
evaluează criteriul de
performanţă pentru anumite
valori ale variabilelor
decizionale. În final, se va
alege varianta care conduce la
cea mai bună valoare a
criteriului de performanţă.
 Analiza de senzitivitate
• Evalueaza impactul modificarii
variabilelor de intrare asupra
variabilelor rezultat

Analiza de • Utila…
senzitivitate. • Eliminarea /reducerea
variabilelor
What-if • Revizuirea modelelor
Valoarea • Obtinerea unor informatii
tinta (goal suplimentare referitoare la
variabile sau scenarii
seeking) • Estimarea variabilelor sensitive…
• Se poate realiza automat sau prin
incercari repetate
 • metode statistice, care stabilesc

Analiza relaţii de dependenţă între diverse

variabile şi evoluţiile acestora

cantitativa Modele / ANALIZE :

1. Descriptive
a datelor 2. Analitice
3. Predictive
 • Descrierea cu acuratete a unui
fenomen prezent sau trecut
Modele
descriptive • Care sunt caracteristicile….?
• Care sunt asemanarile si deosebirile
intre …si intre…?
 • Explicarea manifestarii unor fenomene
pe baza identificarii unor relatii cauzale

• Care sunt modificarile in…legate de

Modele modificarile in…?
• Exista un impact al cresterii TVA asupra
analitice economiei subterane?
• Care sunt factorii care influenteaza CSR
in intreprinedile mici si mijlocii din
Romania?
 • Previzionarea probabilitatii aparitiei
unui eveniment particular in anumite
Modele circumstanate

predictive • Schimband ….vom obtine o

intensificarea a…?
TIPUL DE METODE DE
ANALIZA ABORDARE

Analiza descriptiva Interviuri, statistici descriptive,

esantionare

Cercetare analitica Studii de caz, observatii,

analiza de corelatie, analiza de
regresie

Analiza predictiva Analiza statistica, metode de

previziune
 – analiza de corelaţie - evaluarea
“intensităţii” relaţiei dintre două
sau mai multe variabile

– analiza de regresie - stabilirea

Metode tipului de legătură ale unei
variabile numite dependente de
statistice una sau mai multe variabile
numite independente
o metodă de previzionare bazată
pe o relaţie cauzală
 Obiectiv:
Previziunea anticiparea viitorului pe
– Modele baza informaţiilor trecute
predictive pentru anumite scenarii
 • Identificarea – faza descriptivă în
care se identifică dependenţele şi
tipurile de relaţii pe care le exprimă.

• Specificarea – etapa prin care se

Principalele caută cea mai potrivită formă de
exprimare a variabilelor.
etape în
• Estimarea parametrilor modelului.
alcătuirea
• Testarea semnificaţiei parametrilor
modelului estimaţi.
de regresie • Validarea modelului.

• Utilizarea modelului în operaţiuni de

simulare şi predicţie.
 • interes practic deosebit
• un suport teoretic solid,
rezultatele furnizate prezentând un
mare grad de încredere
• produse soft specializate pentru
astfel de analize a datelor, care
Modele presupun efectuarea unor calcule
complexe (SPSS, R, Phyton)
predictive. • se pot formula ca ipoteze un
număr mare de relaţii cauzale,
Avantaje testarea acestora realizându-se
automat (analiza de corelatie)
• uşor de aplicat, toate calculele
statistice fiind realizate cu ajutorul
unor programe specializate
 Modele
predictive. • reticenţa decidenţilor
Limite
 • ansamblul strategiilor care permit
explorarea spaţiului de căutare a unei
soluţii satisfăcătoare pentru o problemă
complexă, nestructurată, pentru care nu
se poate defini sau nu este eficient să se
utilizeze un algoritm pentru obţinerea
unei soluţii optime.
Programare
euristică • Euristicile:
• cantitative : apar în baza de modele a
unui SIAD
• calitative : furnizarea cunoştinţelor
pentru un SE
 START

NU SFARSIT
Se poate Solutia
imbunatati solutia
propusa ? este buna

DA

Genereaza o noua solutie

Cand utilizam euristici?
Date inexacte sau insuficiente

Nivel ridicat de complexitate

Algoritm inexistent

Timp excesiv de evaluare a diferitelor alternative

Decizii rapide
 • Sunt metode uşor de înţeles, de
implementat şi de explicat
• Produc mai multe soluţii
acceptabile (satisfăcătoare) şi nu
una singură, ca în cazul metodelor
Metode algoritmice.
• Utilizarea lor are un efect pozitiv
asupra creativităţii managerilor,
Euristice. care vor folosi această experienţă în
rezolvarea altor probleme.
Avantaje • Este posibilă o măsurare empirică
sau teoretică a calităţii soluţiei
obţinute.
• Pot încorpora inteligenţă în
procesul de căutare a soluţiei
 • nu oferă garanţia obţinerii
solutiei optime

• pot exista excepţii de la

reguli
Riscuri
asumate de
• riscul de a nu se anticipa
decident corect consecinţele fiecărei
alegeri
MODELARE si
ANALIZA
– suport soft
 • Analytica, Lumina Decision Systems
• DecisionPro, Vanguard Software Co.
• DATA Decision Analysis, TreeAge
Software
Diagrame Diagrame de influenta, arbori de decizie,
de simulari

influenta • Definitive Scenario, Definitive

Software
Produse Integreaza diagramele de influenta cu
Excel, asista simulari Monte Carlo
software • PrecisionTree, Palisade Co.
Creeaza diagrame de influenta si arbori de
decizie direct in EXCEL
Optimizare • SOLVER - EXCEL
• What’sBest, LINDO, LINGO -
si Euristici www.lindo.com
 • Simio LLC, simio.com
• SAS Simulation, sas.com
• Lumina Decision Systems, lumina.com
Simulare • Oracle Crystal Ball, oracle.com
• Palisade Corp., palisade.com
• Rockwell Intl., arenasimulation.com
• @Risk …
 • Flexibile si usor de utilizat
Procesoarele • Functii puternice
de tabele – • Programabilitate (macro)
• Analiza WHAT-IF
cele mai • Goal seeking
utilizate • Gestiunea si analiza datelor
instrumente • Integrare perfecta a datelor si a
modelelor
de modelare • Incorporeaza modele statice si
modele dinamice
Figure 4.33: Brainstorming Support Tools

Sauter, V.L. , Decision Support Systems for Business Intelligence, John Wiley,
2010
SIAD bazate pe analiza si sinteza
datelor Baze de informatii
- Depozite de date
Arhive Depozite de date

• Potenţialul informaţional al datelor acumulate în

sistemele informatice
date istorice stocate in:
- baze de date
- fisiere
- foi de calcul

• Exploatarea inteligentă - un important avantaj în faţa

concurenţei:
- mărirea capacităţii de acomodare la tendinţele pieţei
- o mai bună satisfacere a clienţilor
- diminuarea costurilor
- creşterea profitului.

• Integrarea datelor istorice într-o structură unică

- fundament pentru procesul de luare a
deciziilor
 INTERNET

BDU
ACHIZITIONARE BDE

SO

EXTRAGERE
CURATIRE
TRANSFORMARE

DEPOZIT DE DATE
STOCARE

Date istorice detaliate

+
Metadate

DATA DATA

OLAP SQL MINING

MARTS
EXPLOATARE

APLICATII - SISTEME DE ASISTARE A DECIZIEI

 • Anii 1970
Mainframe, Tehnologia bazelor de date
• Anii 1980
PC, Aplicatii (business) pentru PC, SGBD
Relationale, SGBD Distribuite
Depozitarea • Anii 1990
datelor Stocarea datelor – centralizare/ integrare
Istoric Apare conceptul / tehnologia ”Data
warehousing”. Arhitectura EDW
(Enterprise Data Warehouse)
Inmon :”Building the Data Warehouse”
Kimball : „the Data Warehouse Toolkit”
 • Anii 2000
- Explozie a datelor in mediul online
- Consolidarea industriilor DW/BI
- Data mining, Modelare predictiva
Depozitarea - Open source software
datelor - SaaS, Cloud Computing
Istoric • Anii 2010
- Big Data Analytics , Social Media
Analytics
- Text Analytics, Web Analytics
- Hadoop, MapReduce, NoSQL
 O colectie de date

• orientate pe subiecte

DD • integrate
• corelate in timp
Definitie • non-volatile

care se constituie in suport pentru

procesul de decizie
 Spre deosebire de sistemele
operaţionale, care sunt
organizate în jurul unei aplicaţii
Orientarea funcţionale ale companiei –
spre exemplu aplicaţii de
pe facturare (Billing), de
subiecte management al relaţiilor cu
clienţii (CRM) - sistemele data
de analiza warehouse au ca nucleu al
informaţiei un anumit subiect
cheie a cărui analiză se doreşte.
 • Datele sunt organizate într- un unic
format de măsură şi referintă (sunt
măsurate în acelaşi fel şi se referă la
Integrarea acelaşi lucru).
• Datele care provin din mai multe surse
datelor trebuie să fie convertite, reformatate,
renumerotate, sumarizate, etc.
Rezultatul este o unică imagine a
activităţilor companiei.
 • Depozitul de date (DW)
trebuie să fie o structură
informaţională stabilă a unui
mediu de suport decizional.
• Modelul trebuie să fie astfel
Non- proiectat, încât să susţină o
volatilitatea astfel de stabilitate. Datele nu
vor fi direct modificate ci vor
fi populate periodic cu datele
noi din aplicaţiile
operaţionale.
Non- volatilitatea
 • DW se constituie într-un istoric al
sistemului operaţional, constituit
dintr- o serie de "instantanee",
Date imagini la diverse momente în
timp.
corelate in • Orizontul de timp pe care îl
acopera DW este de cel puţin cinci
timp ani, ajungând la zeci de ani, în
funcţie de relevanţa datelor cu
caracter istoric pentru nevoile
analizei.
 • Magazii de date (Data Marts) –
corespunzatoare unor departamente /
domenii
- Dependente – create din DD al organizatiei
- Independente – proiectate pentru un anumit
domeniu de analiza

DD - • Magazin de date operationale (Operational

Data Stores)
componente Decizii pe termen scurt (memorie pe termen
scurt)
O baza de date intermediara (surse si DD)
• DD al organizatiei (EDW)
Memoria informationala la nivelul organizatiei
Sursa de date pentru diferite aplicatii AD : CRM,
SCM, BPM,KMS
 • Centralizează, consolidează, organizează
şi stochează date din diverse surse
eterogene
Depozitul
• Se pot stoca şi date noi, calculate pe
de date - baza celor existente, date cerute de
regulă în majoritatea rapoartelor (sume,
continut procente, medii)
• Metadate - continutul DD si
modalitatile de achizitionare, organizare
si utilizare a datelor
 DD - rol

• INTEGRARE
Furnizarea de
informaţii
precise,
• ACCESIBILITATE relevante si
oportune in
contextul
• ATRIBUIRE DE
SENS unui proces
decizional
 • Să furnizeze o singură versiune a
adevărului

Obiectivele • Să înregistreze cu acurateţe trecutul

DW • Să permita accesul la date de sinteză si

de detaliu

• Să separe prelucrările de nivel

operaţional şi analitic
 • date operaţionale
Datele • referitoare la un anumit proces sau
funcţie a întreprinderii
stocate in • date de detaliu cu un anumit grad de
sisteme volatilitate
• sunt gestionate ca un întreg
OLTP • prezintă interes în primul rând pentru
cei ce le introduc
 • date pentru asistarea deciziei
• referitoare la subiecte de interes
decizional

Datele • date centralizate sau derivate din

datele operaţionale
stocate in • nu se schimbă în timp

depozite • pot fi gestionate şi pe secţiuni - sunt

organizate distinct pe subiecte de
analiză
• sunt orientate către utilizatorii finali –
managerii de nivel tactic şi strategic.
 • Stabilirea unor obiective nerealiste
• Popularea DD cu orice date (doar
pentru ca sunt disponibile)
• Proiectarea unui DD este similara cu
cea a unei BD tranzactionale
”Capcane” in Afacerea propriu-zisa, procesele
implementarea intreprinderii care stau la baza modelarii si
proiectarii sistemelor informatice
DD operationale nu influenteaza designul DW,
nu sunt reflectate in structura sau
comportamentul acestuia

• Alegerea nepotrivita a
administratorului DD
 • Absenta suportului conducerii
• OBIECTIVE NECLARE
Factori de • Ignorarea valorilor culturale ale
organizatiei
risc in • Change management
cadrul • Asteptari nerealiste

proiectelor •
•
Arhitectura nepotrivita
Calitatea datelor / absenta
DD informatiilor
• Incarcarea tuturor datelor (fara o
analiza prealabila)
RAPORTARE • Managementul
Performantelor
 CE ESTE UN RAPORT?

• Raport : Un document care contine

informatii referitoare la afaceri.

• Scop : INFORMARE (pentru deciziile

manageriale)
• Sursa : date din interiorul si exteriorul
organizatiei
• Format: text + tabele + grafice
• Distributie: print, e - mail, portal/intranet
Un raport bun este:
• Clar
• Concis
• Complet
• Corect

Tipuri de rapoarte (continut si format)

– Informal
– Formal – 10-100 pagini
– Raport scurt – periodic, informativ,
investigativ
 Raportare
• Rapoarte
Statice, informatii trecute referitoare la un anumit indicator/
masura
• Scorecards
- O varietate de indicatori, corelati cu un obiectiv strategic si
obiective/ sub-obiective bine definite
- Utilizatori – management strategic
- Monitorizeaza progresul in atingerea unui obiectiv
• Dashboards
- Deseori caracterizate ca fiind scorecards
- Actualizate mult mai frecvent (timp real)
- utilizatori – nu doar nivelul executiv! – orice angajat cu
atributii de monitorizare si analiza a proceselor de afaceri
 Performance Dashboard?
• “A story complete with a plot, supportive cast and descriptive
language, each working in concert to engage an audience and
prompt action.”
(P. Yurgovsky, Executive/Performance Dashboards, 2014)

• O reprezentare vizuala, consolidata, a valorilor actualizate

corespunzatoare celor mai importanti indicatori intr-un anumit
context decizional.
 Scurt Istoric
• Anii 1980 - Executive Information Systems (EIS)
• Anii 1990 – BI (DW, OLAP)
- 1992: “The Balanced Scorecard – Measures that drive
performance “ (Kaplan & Norton)
- BPM
• Anii 2000 – adoptarea pe scara larga a tablourilor
de bord - dashboard - presiunea “informarii”
corecte si in timp real
(scandalul Enron si criza economica)
• Anii 2010 –focus pe utilizator si pe metricile
(masuratorile) potrivite
(Big Data)
 Dashboard
STRATEGIC TACTIC OPERATIONAL ANALITIC

INSIGHT CE CAND CINE DE CE

UNDE CUM

DATE Puternic Mediu TRANZACTIONALE TRANZACTIONALE

SUMARIZATE SUMARIZATE
 Performance Dashboards
• Proiectarea
– Cel mai important aspect in proiectarea unui dashboard -
reprezentarea tuturor informatiilor pe un singur ecran /
pagina, clar si concis.
• Trei nivele de informare
– Monitorizare -grafice, reprezentari abstracte pentru
monitorizarea indicatorilor de performanta
– Analiza - date dimensionale sintetizate pentru analiza cauzelor
problemelor
– Detaliere (Drill to detail) – date operationale pentru
identificarea actiunilor care trebuie adoptate pentru rezolvarea
problemelor.
Marketing Dashboard
Un dashboard bun presupune…
• Utilizarea reprezantarilor vizuale pentru evidentierea situatiilor/
exceptiilor care impun actiuni
• Transparenta pentru utilizator – usor de utilizat, instruire
minima
• Integrarea datelor provenite din diverse sisteme intr-o singura
perspectiva asupra afacerii
• Facilitarea operatiilor de drill-down / drill-through pentru
accesul surselor (date, rapoarte)
• Prezentarea dinamica, in timp real a sistemului real
• Necesitati minime de programare pentru
implementare/dezvoltare/mentinere
Best • Analiza comparativa (benchmark) a
KPIs in raport cu valori standard ale
Practices - domeniului/ industriei
• Explicitarea metricilor (indicatorilor) -
Dashboard metadate
• Prioritizarea si clasificarea (in functie
Design de importanta) alertelor si exceptiilor
• Indicatori / metrici
• Adaugarea comentarilor utilizatorilor
reprezentativi • Prezentarea informatiilor pe cele 3
• Indicatori/ masuri nivele
integrate
• Alegerea reprezentarilor vizuale
• Visual design
potrivite
Performanta activitatii Indicatori
de MARKETING Balance ScoreCard
Business Performance
Management (BPM)

Un sistem care semnaleaza in timp real aparitia

unor probleme sau oportunitati, oferind suport
pentru gestionarea acestora (modele,
colaborare)

Alte denumiri :
• Corporate performance management (CPM -
Gartner Group)
• Enterprise performance management (EPM -
Oracle)
• Strategic enterprise management (SEM - SAP)
 Business Performance
Management (BPM)
• BPM - procesele de afaceri, metodologiile, indicatorii, si
tehnologiile utilizate pentru masurarea, monitorizarea si
gestionarea performantei organizatiei.

• BPM – 3 componente
• Un set integrat de procese de management si procese analitice,
sustinute de tehnologie
• Un set de instrumente pentru definirea obiectivelor strategice si
pentru masurarea peformantelor in raport cu acestea
• Metode si instrumente pentru monitorizarea indicatorilor cheie
pentru analiza performantelor(KPIs), in stransa legatura cu
strategia organizatiei
Un proces pentru optimizarea
performantei organizatiei
Etape
1. Definirea strategiei
2. Planificare
3. Monitorizare/Analiza
4. Actiune/Ajustare
Definirea strategiei:
Unde vrem sa ajungem?
Planificare strategica

1. Analiza situatiei curente

2. Stabilirea orizontului de planificare
3. Monitorizarea/ analiza mediului
4. Identificarea factorilor de succes
5. Analiza a diferentelor
6. Crearea unei viziuni strategice
7. Dezvoltarea unei strategii de business
8. Identificarea obiectivelor strategice
 Planificarea:
Cum ajungem acolo?
• OPERATIONALIZAREA strategiei
• Plan operational: plan care traduce obiectivele strategice
intr-un set de actiuni si initiative clar definite, a resurselor
necesare si a rezultatelor asteptate intr-o anumita
perioada de timp (de regula un an).

• Planificarea operationala poate fi:

• Centrata pe tactica (orientare pe operationalizare)
• Centrata pe buget (focus pe finantare)
Monitorizare/Analiza:
Cum ne descurcam?
• Un cadru adecvat pentru monitorizarea
performantei ar trebui sa abordeze doua
aspecte:
• Ce monitorizam?
• Factori cheie pentru succes
• Obiective/ sub - obiective strategice
•…
• Cum monitorizam?
• …
Actiune :
Ce trebuie sa schimbam?
• Proiecte noi: noi produse/ piete/ client/
afaceri…
 Sistem de masurare/ management a
performantelor
• Balanced Scorecard (BSC)
o metodologie de masurare si gestionare a
performantelor care ofera support in
transformarea obiectivelor si sub-obiiectivelor
(financiare, client, procese interne , invatare si
dezvoltare) unei organizatii intr-un set de
initiative actionabile.
"The Balanced Scorecard: Measures That Drive Performance”
(HBR, 1992)
Balanced
Scorecard
Marketing Balanced Scorecard
Marketing Balanced Scorecard
Metrici si indicatori
• Metrici
-Valori numerice care reprezinta un atribut la un
anumit moment in timp
-Nominal, ordinal, interval, ratie
• Indicatori
-Metrici care compara rezultatele fata de o valoare
de baza sau tinta de performanta pentru a decide
daca acesta este bun sau rau.
-Folositi pentru evaluarea succesului sau esecului unui
anumit aspect (al afacerii).
Indicatori Marketing
• BRAND AWARNESS
• TEST DRIVE
• CHURN
• CUSTOMER SATISFACTION RATE
• TAKE RATE
• PROFIT
• NET PRESENT VALUE
• INTERNAL RATE OF RETURN
• PAYBACK
• CUSTOMER LIFETIME VALUE
• COST PER CLICK

• TRANSACTION CONVERSION RATE

• RETURN ON AD DOLLARS SPENT

• BOUNCE RATE

• WORD OF MOUTH
KPIs

Key performance indicator (K P I)

K P I - reprezinta un obiectiv strategic si metricile care masoara

performanta relativa la un obiectiv

Caracteristici

• Strategie
• Obiective
• Registre
• Codificari
• Orizont de timp
• Benchmarks
 Outcome KPIs Driver KPIs

(lagging indicators) (leading indicators)

• Leading Indicators (Indicatori de avertizare/anticipare)

- Predictivi
- Un precursor a unui rezultat - pentru previzionare
- “Atrag” performanta

• Lagging Indicators (Indicatori de intarziere)

- Reactivi
- Rezultatul unei activitati care a avut loc (pentru a
confirma schimbarile)
 Tipuri de indicatori
• Key Result Indicators (KRI) /
(outcome KPIs) – indicatori de rezultat

-Descriu performanta trecuta – rezultatele

implementarii unei strategii (lagging indicator)
-Cat de bine a performant organizatia fata de
obiectivele stabilite ?
-Exemplu: vanzarile totale semestrul trecut, satisfactia
clientului in anul fiscal trecut…
vanzari totale, lead conversion
 Tipuri de indicatori
• Key Performance Indicators (KPI) / (Driver KPIS)
Un KPI - un obiectiv strategic si metricile care masoara
performanta in raport cu un scop

- Leading indicators (indicatori de anticipare) - a “conduce”/a

“dirija” progresul unei organizatii catre un obiectiv strategic.
- Utilizati de intreaga organizatie, dar definiti si monitorizati de
managementul executiv.
- “Concentrarea” intregii organizatii pe un obiectiv strategic:
alinierea indicatorilor la toate nivelele si departamentele (indicatori
in cascada)
- KPIs sunt unici pentru fiecare organizatie.

CLTV (valoarea viitoare a unui consumator)

Brand awareness (Notorietatea marcii )
 Cati KPIs?
• mai putini KPIs indica o strategie mai “focusata”
Nu definiti atatia KPI’S cati pot fi reprezentati in dashboard!

Exemplu: British Airways

Un singur KPI: Numarul de zboruri care au decolat la timp

- Usor de masurat, actionabil
- Simplu de inteles
- Un “leading indicator” pentru metricile care definesc
profitul
 Indicatori rezultat si indicatori de
performanta
• Instrumente in cadrul operatiilor curente
• Utilizati de managerii de la nivelele operational si tactic
• Nu influenteaza in mod direct initiativele strategice

-RI – “indicatori de intarziere” (lagging indicators) care

descriu rezultatele obtinute
-PI – “indicatori de anticipare” (leading indicators) care
ofera angajatilor posibilitatea de a-si concentra actiunile
pentru atingerea unui anumit obiectiv
 Cati indicatori?
• Regula 10/80/10 (David Parmenter)
(10 KRI, 80 RI/PI/, 10 KPI).

• Best practice:
Adaugarea unui indicator doar daca
acesta are un impact mai mare decat
impactul mediu al tuturor celorlalti
indicatori (din dashboard).
 Implementarea indicatorilor de
performanta
• Valoare informationala
- Definirea metricilor/ cele mai bune practici
- Consultanti / implicarea executivului

• Strategie
- Care sunt metricile critice pentru succes
- Definirea unei suite de KPI, KRI, RI, PI care se propaga in intreaga
organizatie
- Consultanti / implicarea executivului

• Proces repetitiv
- Consultanti in Change management
- Suportul conducerii
- Training, comunicare
 • Asumati
• Usor de inteles
Simpli!
• Actionabili

KPI’S de Angajatii ar trebui sa stie cum sa actionize

asupra unui KPI!
succes • Masurabili
O singura masura, care sa poata fi analizata in
sunt… timp (benchmark)
• “Leading”
• Oportuni
• Strategici
Legatura directa cu viziunea organizatiei
Best Practices

• Punctul de plecare : strategia

• Formulati intrebarile pentru care cautati un raspuns
Obiectiv strategic: cresterea satisfactiei consumatorilor si a loialitatii
acestora
KPQ: in ce masura ar recomanda clientii nostrii produsele/serviciile oferite
de noi unui prieten/ coleg?
KPI: Net promoter score (Scorul net al promoterilor)
• Particularizeaza KPIs in functie de specificul/nevoile companiei
• Asigura-te ca KPIs sunt asumati si intelesi de toti angajatii
• Utilizeaza KPIs pentru imbunatatirea performantei
Evitati

• Sa masurati anumiti indicatori doar pentru ca altii fac acest lucru

• Sa masurati doar acei indicatori care sunt usor de calculat
• Sa nu actualizati KPIs
• Sa corelati KPIs cu un program de recompensare
• Sa utilizati KPIs ca un element de comanda si control
Balance Scorecard pentru marketing

Nivel STRATEGIC
Indicatori strategici
Notorietatea marcii, CLTV, Satisfactia consumatorului, Test-drive

Nivel TACTIC
Indicatori care masoara campanii specifice si eficacitatea acestora
Valoare vanzari, lead conversion

Nivel OPERATIONAL
Indicatori pentru evaluarea eficientei
Take Rate, Cost pe client
 Indicatori specifici pentru marketing (in
functie de activitatea de marketing)

Indicatorii financiari – putin mai mult

de 50% din activitatile de marketing

In lipsa indicatorilor financiari – definiti

Marketing indicatori de anticipare (driver / leading
indicators) pentru vanzari
Toate campaniile si activitatile de
marketing trebuie gandite in prisma
evaluarii cu metoda scorecard
Campaniile B2B pot utiliza metode
indirecte de colectare a datelor (focus
group, sondaje…)
Text Mining &
Sentiment
Analysis
Text Analytics vs Text Mining

• Text Analytics = extragerea informatiilor + Text Mining

Text Analytics, Related Application Areas, and Enabling
Disciplines.
Text Mining

• 85-90 % din datele pe care le detine o companie se regasesc

intr-o forma nestructurata (de cele mai multe ori, text)
• Cantitatea acestor date se dubleaza la fiecare 18 luni
• Extragerea de informatii utile / exploatarea acestor date
nestructurate - o necesitate (avantaj competitiv)
• Cum? - text mining
• Un proces semi - automat pentru extragerea
cunostintelor din colectii de date nestructurate
Data Mining vs. Text Mining
• Ambele urmaresc identificarea de cunostinte utile (pattern)
• Ambele sunt procese semi-automate
• Diferenta – natura datelor:
• Date structurate vs. Date nestructurate
• Date structurate - DW
• Date nestructurate: : fisiere Word, PDF, text, XML ….
• Text MINING – in primul rand, se cauta o structura pentru
aceste date de tip text, , dupa care se aplica DM
Text Mining

• Aplicabilitate – in special in domeniile in care datele de tip text sunt

predominante
• Drept, cercetare, medicina, biologie, marketing (comentarii ale
clientilor)….
Natural Language Processing (NLP)

• Structurarea unui text

• Abordarea traditionala: o colectie de cuvinte
• Abordarea moderna: natural language processing
• NLP :
• Un concept fundamental in text mining
• Apartine domeniului IA si computational linguistics
• Obiectiv: ”INTELEGEREA " limbajului natural
• Text mining bazat pe Sintaxa vs Text mining bazat pe semantica
Natural Language Processing (NLP)

Intelegerea limbalului natural

• Limbajul natural – vag, contextual
• Intelegerea presupune detinerea de cunostinte
detaliate referitoare la un anumit subiect
• Vor fi capabile calculatoarele sa inteleaga
limbajul natural la fel de bine cum o facem noi?
• Obiectiv IA – dezvoltarea unor algoritmi capabili
sa citeasca, sa inteleaga si sa extraga cunostinte
Natural Language Processing (NLP)

• WordNet
• A laboriously hand-coded database of English words, their
definitions, sets of synonyms, and various semantic relations
between synonym sets.

• Sentiment Analysis
• O tehnica care isi propune detectarea opiniilor favorabile/
nefavorabile referitoare la un anumit subiec
• SentiWordNet
AMC Networks Is Using Analytics to Capture New
Viewers, Predict Ratings, and Add Value for
Advertisers in a Multichannel World

Web-Based
Dashboard Used by A
MC Networks.

Source: A M C Networks.
Mining for Lies
• Deception detection
• A difficult problem
• If detection is limited to only text, then the problem is
even more difficult
• The study
• Analyzed text based testimonies of person of interests at
military bases
• Used only text-based features (cues)
Mining for Lies
Text-Based Deception-Detection Process.

Source: Fuller, C. M., D. Biros, & D. Delen. (2008, January). Exploration of Feature Selection and Advanced Classification Models
for High-Stakes Deception Detection. Proceedings of the Forty-First Annual Hawaii International Conference on System Sciences
(HICSS), Big Island, H I: IEEE Press, pp. 80–99.
Categories and Examples of Linguistic Features Used in Deception
Detection.
Number Construct (Category)
1 Quantity
2 Complexity
3 Uncertainty
4 Nonimmediacy
5 Expressivity
6 Diversity
7 Informality
8 Specificity
9 Affect
Example Cues
Verb count, noun phrase count, etc.
Average number of clauses, average sentence
length, etc.
Modifiers, modal verbs, etc.
Passive voice, objectification, etc.
Emotiveness
Lexical diversity, redundancy, etc.
Typographical error ratio
Spatiotemporal information, perceptual
information, etc.
Positive affect, negative affect, etc.
Mining for Lies
• 371 usable statements are generated
• 31 features are used
• Different feature selection methods used
• 10-fold cross validation is used
• Results (overall % accuracy)
• Logistic regression 67.28
• Decision trees 71.60
• Neural networks 73.46
Text Mining Applications
(Gene/Protein Interaction Identification)
Multilevel Analysis of Text for Gene/Protein Interaction Identification.

Source: Nakov, P., Schwartz, A., Wolf, B., & Hearst, M. A. (2005). Supporting annotation layers for natural language processing.
Proceedings of the Association for Computational Linguistics (ACL), Interactive Poster and Demonstration Sessions, Ann Arbor, MI.
Association for Computational Linguistics, 65–68.
Text Mining Process
A Context Diagram for Text Mining Process
Text Mining Process
The Three-Step/Task Text Mining Process.
Text Mining Process
• Step 1: Establish the corpus
• Collect all relevant unstructured data
(e.g., textual documents, XML files, emails, Web pages,
short notes, voice recordings…)
• Digitize, standardize the collection
(e.g., all in ASCII text files)
• Place the collection in a common place
(e.g., in a flat file, or in a directory as separate files)
Text Mining Process
• Step 2: Create the Term–by–Document Matrix
Text Mining Process
• Step 2: Create the Term–by–Document Matrix (TDM)
• Should all terms be included?
• Stop words, include words
• Synonyms, homonyms
• Stemming
• What is the best representation of the indices (values in
cells)?
• Row counts; binary frequencies; log frequencies;
• Inverse document frequency
Text Mining Process
• Step 2: Create the Term–by–Document Matrix (TDM)
• TDM is a sparse matrix. How can we reduce the
dimensionality of the TDM?
• Manual - a domain expert goes through it
• Eliminate terms with very few occurrences in very few
documents (?)
• Transform the matrix using singular value
decomposition (SVD)
• SVD is similar to principle component analysis
Text Mining Process
• Step 3: Extract patterns/knowledge
• Classification (text categorization)
• Clustering (natural groupings of text)
• Improve search recall
• Improve search precision
• Scatter/gather
• Query-specific clustering
• Association
• Trend Analysis (…)
Research Literature Survey with Text Mining
• Mining the published IS literature
• MIS Quarterly (MISQ)
• Journal of MIS (JMIS)
• Information Systems Research (ISR)
• Covers 12-year period (1994-2005)
• 901 papers are included in the study
• Only the paper abstracts are used
• 9 clusters are generated for further analysis
 Research Literature Survey with Text Mining
Journal Year Author(s) Title Vol/No Pages Keywords Abstract
MISQ 2005 A. Malhotra, S. Absorptive capacity 29/1 145-187 Knowledge management The need for continual value
Gosain and O. A. configurations in supply supply chain absorptive innovation is driving supply
El Sawy chains: Gearing for capacity interorganizational chains to evolve from a pure
partner-enabled information systems transactional focus to leveraging
market knowledge configuration approaches interorganizational partner ships
creation for sharing
ISR 1999 D. Robey and M. Accounting for the 2-Oct 167-185 organizational Although much contemporary
C. Boudreau contradictory transformation impacts of thought considers advanced
organizational technology organization information technologies as
consequences of theory research either determinants or enablers
information methodology of radical organizational change,
technology: Theoretical intraorganizational power empirical studies have revealed
directions and electronic communication inconsistent findings to support
methodological mis implementation culture the deterministic logic implicit in
implications systems such arguments. This paper
reviews the contradictory
JMIS 2001 R. Aron and E. Achieving the optimal 18/2 65-88 information products When producers of goods (or
K. Clemons balance between internet advertising product services) are confronted by a
investment in quality positioning signaling situation in which their offerings
and investment in self- signaling games no longer perfectly match
promotion for consumer preferences, they
information products must determine the extent to
which the advertised features of
… … … … … … … …
Research Literature Survey with Text Mining
Distribution of the Number of Articles for the Three Journals over the Nine Clusters.

Source: Delen, D., & M. Crossland. (2008). “Seeding the Survey and Analysis of Research Literature with Text Mining.” Expert
Systems with Applications, 34(3), pp. 1707–1720.
Research Literature Survey with Text Mining
Development of the Nine Clusters over the Years.

Source: Delen, D., & M. Crossland. (2008). “Seeding the Survey and Analysis of Research Literature with Text Mining.” Expert
Systems with Applications, 34(3), pp. 1707–1720.
Sentiment Analysis

• Sentiment à perspectiva, opinie, convingere/credinta belief, view, opinion,

• Sentiment analysis : “ce simt oamenii vis a vis de un anumit subiect?”

• Aplicabil in foarte multe domenii :

• Marketing : CRM & customer experience management

• Resurse umane
• Politica
• Securitate
• Politici guvernamentale
Sentiment Analysis - aplicatii

• Voice of the customer (VOC)

• Voice of the Market (VOM)
• Voice of the Employee (VOE)
• Brand Management
• Piete financiare
• Politica
• Government Intelligence
• …
Sentiment Analysis Process
Sentiment Analysis Process
• Step 1 – Sentiment Detection
• Comes right after the he retrieval and preparation of the
text documents
• It is also called detection of objectivity
• Fact [= objectivity] versus Opinion [= subjectivity]
• Step 2 – N-P Polarity Classification
• Given an opinionated piece of text, the goal is to classify
the opinion as falling under one of two opposing
sentiment polarities
• N [= negative] versus P [= positive]
Sentiment Analysis Process
• Step 3 – Target Identification
• The goal of this step is to accurately identify the target of
the expressed sentiment (e.g., a person, a product, and
event, etc.)
• Level of difficulty → the application domain
• Step 4 – Collection and Aggregation
• Once the sentiments of all text data points in the
document are identified and calculated, they are to be
aggregated
• Word → Statement → Paragraph → Document
P-N Polarity and S-O Polarity
Web Analytics, Web Mining, and
Social Analytics
 Web Mining Overview
• Web – cel mai mare “depozit” de date
• Date nestructurate: format HTML, XML, text
• Provocari:
– Web – prea “mult” pentru DM
– Web – prea complex
– Web – prea dinamic
– Web – nu este specific unui anumit domeniu
– Web – are tot (content, structura, utilizare)
• Oportunitati!!!!
 Web Mining

Web mining procesul de descoperire de

informatii utile prin exploatarea datelor
WEB(text, structura, utilizare)
 Data Text
Mining Mining

WEB MINING

Web Content Mining Web Structure Mining Web Usage Mining

Source: unstructured Source: the unified Source: the detailed
textual content of the resource locator (URL) description of a Web
Web pages (usually in links contained in the site’s visits (sequence
HTML format) Web pages of clicks by sessions)

Search Engines Sentiment Analysis Semantic Webs Web Analytics

Page Rank Information Retrieval Graph Mining Social Analytics Clickstream Analysis

Search Engines Optimization Social Network Analysis Social Media Analytics Log Analysis

Marketing Attribution Customer Analytics 360 Customer View

 Web Content/Structure Mining
• Web content mining – analizarea textului din
paginile web

• Web structure mining – extragerea de informatii

utile din linkurile incluse in paginile web
– Web Crawlers/Spiders
– Paginile Web include hyperlink-uri
 Search Engines
• Google, Bing, Yahoo, …
• For what reason do you use search engines?
• Search engine - a software program that searches for
documents (Internet sites or files) based on the
keywords (individual words, multi-word terms, or a
complete sentence) that users have provided that
have to do with the subject of their inquiry
• They are the “workhorses” of the Internet
 Structure of a
Typical Internet Search Engine

Pro o Web Crawler Cra

ce st wli
rch Query Analyzer Qu ssed RL n
a
Se ery ery o fU l We g the
t w b
Qu Lis Cra Scheduler

Metadata

Index
Cashed / Indexed
Documents DB
User Responding Cycle Development Cycle
World Wide Web
d
he
Or Rank atc Pro
es sed
de ed Document f M es ce
Document c s
red - t o
Lis Pag Pa ssed n pro Page
Pa ge U eb
ge
s
Matcher/Ranker s Indexer W
 Anatomy of a Search Engine
1. Development Cycle
– Web Crawler
– Document Indexer
– Steps
• Step 1 – Pre-Processing the Documents
– Collecting, organizing, and storing
• Step 2 – Parsing the Documents
• Step 3 – Creating the Term-by-Document Matrix
– How to represent the values (numeric, binary, …)
– Term Frequency / Inverse Document Frequency
 Anatomy of a Search Engine
2. Response Cycle
– Query Analyzer
– Document Matcher/Ranker

• How does Google do it?

– Googlebot
– Google indexer
– Google Query Processor
 Technology Insights
PageRank Algorithm
• PageRank is a link
analysis algorithm
– à Larry Page
• Outcome of a
research project at
Stanford University in
1996
• The “secret sauce” in
Google
 Search Engine Optimization (SEO)
• It is the intentional activity of affecting the visibility of an
e-commerce site or a Web site in a search engine’s natural
(unpaid or organic) search results
• Part of an Internet marketing strategy
• Based on knowing how a search engine works
– Content, HTML, keywords, external links, …
• Indexing based on …
– Webmaster submission of URL
– Proactively and continuously crawling the Web
 Methods for
Search Engine Optimization
• Search engine recommended techniques
(White-Hat SEO)
– Producing results based on good site design,
accurate content (for users, not engines)
• Search engine disapproved techniques (Black-
Hat SEO)
– Spamdexing? (search spam, search engine spam,
or search engine poisoning)
– Deception (what is shown is different to human
and machine/spider)
 Web Usage Mining
à Web Analytics!
• Extraction of information from data generated
through Web page visits and transactions…
– data stored in server access logs, referrer logs, agent
logs, and client-side cookies
– user characteristics and usage profiles
– metadata, such as page attributes, content attributes,
and usage data
• Clickstream data, clickstream analysis
 Web Usage Mining

• Web usage mining applications

– Determine the lifetime value of clients
– Design cross-marketing strategies across products
– Evaluate promotional campaigns
– Target electronic ads and coupons at user groups based on user
access patterns
– Predict user behavior based on previously learned rules and users'
profiles
– Present dynamic information to users based on their interests and
profiles
– …
 Web Usage Mining
(Clickstream Analysis)

Pre-Process Data Extract Knowledge

Website
User / Collecting Usage patterns
Customer Merging User profiles
Cleaning Page profiles
Structuring Visit profiles
- Identify users Customer value
- Identify sessions
- Identify page views
- Identify visits
Weblogs

How to better the data

How to improve the Web site
How to increase the customer value
 Web Analytics Metrics
• Provides near-real-time data to deliver invaluable
information to …
– Improve site usability
– Manage marketing efforts
– Better document ROI, …
• Web analytics metric categories:
– Web site usability: How were they using my Web site?
– Traffic sources: Where did they come from?
– Visitor profiles: What do my visitors look like?
– Conversion statistics: What does all this mean for the business?
 Web Analytics Metrics
- Web Site Usability
Web Site Usability Traffic Source
1. Page views 1. Referral Web sites
2. Time on site 2. Search engines
3. Downloads 3. Direct
4. Click map 4. Offline campaigns
5. Click paths 5. Online campaigns
 Web Analytics Metrics
- Web Site Usability
Visitor Profiles Conversion Statistics
1. Keywords 1. New visitors
2. Content groupings 2. Returning visitors
3. Geography 3. Leads
4. Time of day 4. Sales/conversions
5. Landing page 5. Abandonment rates
A Sample Web Analytics Dashboard
 Putting It All Together—A Web Site
Optimization Ecosystem
Two-Dimensional View of the
Inputs for Web Site Optimization

Goal:
§ Customer Experience Management
(CEM)
§ Voice of Customer (VOC)
 Web Mining Success Stories
• Amazon.com, Ask.com, Scholastic.com, …
• A Process View of the Web Site Optimization Ecosystem

Customer Interaction Analysis of Interactions Knowledge about the Holistic

on the Web View of the Customer

Web
Analytics

Voice of
Customer

Customer Experience
Management
Voice of the Customer Strategy
Framework (Attensity.com)
 Web mining APPLICATIONS
• Clickstream analysis helps to better
understand user behavior on a website.
• Sentiment analysis helps us understand the
opinions and affective state of users on a
system.
• Customer analytics helps to provide solutions
for sales, service, marketing, and product
teams, and optimize the customer life cycles.
 Social Analytics
Social Network Analysis
• Social Network - social structure composed
of individuals linked to each other
• Analysis of social dynamics
• Interdisciplinary field
– Social psychology
– Sociology
– Statistics
– Graph theory
 Social Analytics
Social Network Analysis
• Social Networks help study relationships between
individuals, groups, organizations, societies
– Self organizing
– Emergent
– Complex

• Typical social network types

– Communication networks, community networks,
criminal networks, innovation networks, …
 Social Analytics – BI
Social Analytics – BI : Monitorizarea, analiza,
masurarea si interpretarea interactiunilor digitale si a
relatiilor – oameni, subiecte, idei, content.

SOCIAL ANALYTICS: combina “text analysis” si

“sentiment analysis” in spatiul comunicarii online cu
“social network analysis” in scopul identificarii si
analizarii relatiilor dintre oameni.
 Social Analytics
Social Network Analysis Metrics
• Connections n Distribution
– Homophily n Bridge
– Multiplexity n Centrality
– Network closure n Density
– Propinquity n Structural holes
• Segmentation n Tie strength
– Cliques and social circles
– Clustering coefficient
– Cohesion
 Social Media
• Tehnologii care faciliteaza interactiunile sociale
• Tehnologiile Web 2.0
• O varietate de forme
– Internet forums, Web logs, social blogs, microblogging,
wikis, social networks, podcasts, pictures, video, and
product reviews
 Wiki ?
• Wiki este o aplicație web ce permite
utilizatorilor să adauge conținut și să
păstreze propriile lor versiuni succesive, la
fel ca pe un forum Internet, dar permite și
oricui altcuiva să modifice conținutul.
• Wiki-urile fac parte din fenomenul
numit Web 2.0. Termenul Wiki denumește
și softul colaborativ folosit pentru crearea
unui asemenea site web
 Web 2.0 vs Web 3.0
Web 2.0
• se referă la site-uri web și aplicații care utilizează conținut generat de
utilizator pentru utilizatorii finali.
• este folosit astăzi în multe site-uri web, concentrându-se în principal pe
interactivitatea și colaborarea utilizatorilor.

Web 3.0
• este mai concentrat pe utilizarea tehnologiilor precum învățarea
automată și AI pentru a furniza conținut relevant pentru fiecare
utilizator în loc de conținutul oferit de alți utilizatori finali.
• poate fi asemănat cu un asistent de inteligență artificială care îl
înțelege pe utilizatorul său și personalizează totul.
 Different Types of Social Media
1. Collaborative projects (Wikipedia)
2. Blogs and microblogs (Twitter)
3. Content communities (YouTube)
4. Social networking sites ( Facebook)
5. Virtual game worlds (World of Warcraft)
6. Virtual social worlds (Second Life)

Kaplan and Haenlein (2010)

 Social versus Industrial Media
• Web-based social media are different from
traditional/industrial media, such as
newspapers, television, and film
• Differentiating characteristics
– Quality n Immediacy
– Reach
n Updatability
– Frequency
– Accessibility
– Usability
 How Do
People Use Creators

Social
Level of Social Media Engagement
Critics

Joiners

Media? Spectators
Collectors

Inactives
Different engagement levels
Time
 Social Media Analytics
• It is the systematic and scientific ways to consume
the vast amount of content created by Web-based
social media outlets, tools, and techniques for the
betterment of an organization’s competitiveness
• Fastest growing movement in analytics

Social Media
Insights
Tweeter Solutions
Facebook Course of Actions
LinlkedIn …
…
 Social Media Analytics
• HBR Analytic Services survey (HBR, 2017)
– 75% of the companies did not know where their customers are
talking about them
– 31% do not measure effectiveness of social media
– only 23% are using social media analytics tools
– 7% are able to integrate social media into marketing
• Measuring the Social Media Impact
– Descriptive analytics – simple counts/statistics
– Social network analysis
– Advanced analytics – predictive analytics, text mining
 • Think of measurement as a guidance

Best system, not a rating system

• Track the elusive sentiment

Practices • Continuously improve the accuracy of

text analysis
in • Look at the ripple effect
• Look beyond the brand
Social • Identify your most powerful
influencers
Media • Look closely at the accuracy of your
analytic tool
Analytics • Incorporate social media intelligence
into planning
 Social Media Analytics
Tools and Vendors
• Attensity360
• Radian6/Salesforce Cloud
• Sysomos Twitter
• Collective Intellect Facebook
• Webtrends YouTube
• Crimson Hexagon
LinkedIn
• Converseon
Flickr
• SproutSocial …
…
Social Media Analytics
Examen Marketing
Intelligence
Examen MI
• Evaluarea finala pentru disciplina “Marketing intelligence”
va avea loc pe data de 27 Ianuarie 2020, ora 18:00

• Conform Procedurii privind desfășurarea evaluării

cunoștințelor studenților/cursanților în sesiunea ianuarie-
februarie, anul universitar 2020-2021, aprobată prin
Hotărârea Senatului ASE nr. 228 din 18.11.2020:
• Art 24. La evaluarea cunoștințelor online, studenții sunt obligați sa aibă la
dispoziție cardul de student si/sau cartea de identitate. La începutul sau pe
parcursul evaluării, comisia de evaluare verifica identitatea studenților
prezenți la examen.
• Art 25. Studenții sunt obligați ca, pe parcursul desfășurării examenului
(pregătirea subiectelor si susținerea examenelor) sa aibă flux video si audio
continuu, astfel încât sa fie asigurat contactul video si audio permanent cu
comisia de evaluare. Studenții vor păstra liniștea in timpul examenului,
orice perturbare ducând la eliminarea acestora din examen.
Examen MI
• Testul (quiz) va fi accesibil pe platforma
online.ase.ro
https://online.ase.ro/course/view.php?id=53058
(in sectiunea Examen)
• Dupa 60 de minute (durata testului) acesta se va
inchide automat
• Pe durata testului veți fi permanent in contact
direct online (prin conferința Zoom) cu cadrele
didactice, precum si prin e-mail
(irina.pugna@cig.ase.ro, boldeanud@cig.ase.ro).
Examen MI

18 intrebari
Test (QUIZ) -intrebari tip grila, cu UN SINGUR Durata examenului
RASPUNS correct
60 minute
26 Ianuarie 2021 -parcurgere: secventiala
Ora 18:00 -
Exemple…
Care dintre următoarele nu reprezintă o fază a procesului decizional:

a) Informare generală
b) Concepere (model)
c) Alegere (soluție problemă)
d) Integrare (în contextul ETL)
e) Implementare (ca acțiune de business)

Care dintre următoarele pot fi folosite în cadrul unui sistem Marketing Intelligence pentru căutarea soluției
optime:

a) Metodele euristice
b) Metodele analitice
c) Metodele bazate pe scenarii
d) Metodele ETL
e) Metodele de previziune
Teorie - structura
• Decizie - definiţie, clasificari, suport informatic
• Procesul de adoptare a deciziilor - definiţie, etape,
activităţi, suport software
• Business Intelligence, Business Analytics –
descriere, abordari
• Marketing Intelligence, Competitive intelligence,
Business Intelligence – descriere, deosebiri
• Analitici descriptive – descriere, tehnologii
• Analitici predictive – descriere, tehnologii
• Analitici prescriptive – descriere, tehnologii
• Sisteme ERP, CRM si BI – descriere, deosebiri
• Modele - definiţie, tipuri de modele, structura unui
model
• Optimizarea - descriere, utilizare
• Simularea - descriere, utilizare
• Previziunea - descriere, utilizare
• Depozite de date - definiţie, conţinut, caracteristici
şi utilizare
• OLAP - definiţie, caracteristici. OLTP vs. OLAP
• Vizualizarea informatiilor. Tipuri de rapoarte
• Managementul performantelor in marketing.
Dashboard – definitie, proiectare, continut
• Mangementul performantelor in marketing. Tipuri
de indicatori
• Indicatori pentru analiza performantelor in
marketing.
• Data Mining - descriere, tipuri de abordari, utilitate
• Data Mining – tehnici si actiuni
• Data Mining – clasificarea; descriere, exemple
• Data Mining – segmentarea; descriere, exemple
• Data Mining vs. Text mining
• Web Mining – descriere
• IA – sisteme cognitive vs. Machine learning
• Sisteme Automate de adoptare a Deciziilor (SAD) –
descriere, utilitate
Automatizare
a procesului
decizional
IA
Inteligenta Artificiala –
Concepte, Tehnologii, Aplicatii,
Impact
Sisteme automate de adoptare a deciziilor
(Automated Decision Systems)

• O abordare relativ noua in asistarea procesului decizional

• Sisteme bazate pe reguli care ofera o solutie intr-un anumit
context decizional

“Daca doar 70% din bilete sunt vandute pentru o cursa de la A la B cu trei
zile inainte de data zborului, ofera un discount de x% pentru toti pasagerii
de la clasa economic”

”Daca cifra de afaceri a societatii X este stabila si valoarea actiunilor emise

de X tinde sa creascã atunci cumpara actiuni emise de X.”

• Pentru probleme decizionale

Structurate
Repetitive
 Intelligent & Automated Decision
Support

Automated decision making

• Common examples:
– Small loan approvals
– Initial screening of job applicants
– Simple restocking
– Prices of products and services (when and how to change them)
– Product recommendation (e.g., at Amazon.com)
• Example: Supporting Nurses Diagnosis Decisions
– An experiment conducted in a Taiwanese hospital (in 2015)
– 87% agreement between AI and human experts
 Automatizarea procesului decizional
PROCESE DE
Tehnologii Asistarea IA
AFACERI
informatica a
procesului
decizional -
teorii

REGULI ALE AFACERII

SAD

Solutie Particulara Solutie standard

 A I in procesul decizional
A I - suport fiecare etapa a procesului decizional
(modelul Simon)

• In faza de informare generala (identificare)

• Generare/ identificaresolutiialternative
• Selectareasolutiei
• Implementareasolutiei
INTELIGENTA ARTIFICIALA - DEFINITIE
• INTELIGENTA (artificiala sau naturala) este un
concept foarte greu de definit.

• ABILITATI ale omului care pot fi considerate

“manifestari ale inteligentei”
- a invata si a intelege din experienta
- a achizitiona si a utiliza cunoasterea
- a descifra mesaje contradictorii
 INTELIGENTA NATURALA
OAMENII…

• Creeaza si utilizeaza in mod natural concepte

• Utilizeaza analogii pentru a face legaturi intre diferite
fenomene
• Clasifica/ creeaza CATEGORII
• RATIONEAZA - utilizeaza reguli specifice (logica)
• Efectueaza inferente pe baza cunostintelor de care
dispun si a unor reguli de conduita
• Utilizeaza EURISTICI - intelepciunea “conventionala”
• Se bazeaza pe experienta (“CAZURI”)
• Au “ASTEPTARI” - modele de comportament
 Teoria cognitiva
o mai buna intelegere a inteligentei naturale –
cercetari in domeniul proceselor cognitive

Rationamentul natural – un proces mental

intuitiv, instinctiv si subiectiv
 Stiluri cognitive
• Acumularea informatiilor
1. Stilul receptiv
2. Stilul perceptiv

• Utilizarea informatiilor
1. Stilul analitic
2. Stilul intuitiv
 RATIONAL INTUITIV

LOB PLANIFICARE VIZIUNE LOB

FRONTAL FRONTAL
STANG PROPUNERI IMAGINATIE DREPT
PREVEDERI INVENTII

LOGICA INTUITIE
EMISFERA
SINTEZA DREAPTA
EMISFERA ANALIZA FORMA
CONTROL EURISTICI
STANGA
SECVENTA

SENZATII

EXPRIMARE
PARTAJARE
ASOCIERI
LOBUL
RITUAL REPTILIAN
A POSEDA
A SE CONFORMA ….
 Inteligenta artificiala ar trebui sa permita
“reproducerea” tuturor stilurilor cognitive

Inteligenta NATURALA Inteligenta ARTIFICIALA

• CREATIVA • PERMANENTA
• EXPERIENTA • REPRODUCTIBILA
SENZORIALA • IEFTINA
• CONTEXT • DOCUMENTATA
EXPERIMENTAL (AUTOEXPLICATIVA)
 Inteligenta artificiala - CURENTE

• COGNITIV

• CONEXIONIST
 Inteligenta artificiala - ABORDARI
• “Pur” cognitiva – inginerie cognitiva
IA este un ansamblu de tehnici si metode care permit captarea
cunostintelor umane si prelucrarea lor simbolica (Feigenbaum)
• Pragmatica
IA este acea parte a informaticii care are drept scop executarea
pe calculator a unor sarcini pe care omul, intr-un context dat, le
poate face mai bine dacat masina

• Conexionista
 INTELIGENTA ARTIFICIALA

Ansamblul disciplinelor informatice

care tind sa realizeze pe calculator un
comportament de imitare a
inteligentei naturale
 IA - istoric

• < 1500 B.C.

• 1938 – C. Babbage (masina de calculat
universala)
• 1950 – Testul Turing
• 1956 – Congresul de la Darmouth
• Aparitia IA : 1952-1956
• Anii de aur (the golden years): 1965-1974
• Declin (the First AI winter) -1974-1980
• Era moderna– 1993-2001
• Declin (the second AI winter) - 2001-2010
• IA este relevanta din nou....
Testul Turing
 Testul lui Turing
“A computer can be
considered to be smart only
when a human interviewer,
‘conversing’ with both an
unseen human being and an
unseen computer, can not Questions / Answers

determine which is which.”

- Alan Turing
 Istoria
recenta…

1990S – early 2000s 2015

machine learning eclipses Since 2015 (AlphaGo) – the rise
knowledge-based reasoning of reinforcement learning

(2012) - A rise in the popularity

of neural networks

early 2010s
INTELIGENTA ARTIFICIALA - OBIECTIVE
• Ce este inteligenta?
• Construirea unor calculatoare inteligente

formularea unei teoreme generale a inteligentei

AI : the philosophy of creating intelligent machines

 Intelligent tutoring
Intelligent Agents
Autonomous Robots
Natural Language Processing
Speech Understanding
Voice Recognition
Automatic Programming
Machine Learning Neural Networks
Computer Vision
Genetic Algorithms
Game Playing
Applications

Fuzzy Logic
Expert Systems
The AI
Tree

Philosophy Mathematics
Computer Science
Human Behavior
Engineering
Disciplines

Neurology Logic Robotics Management Science

Sociology Information Systems

Statistics
Psychology

Human Cognition Pattern Recognition

Linguistics Biology
 Domeniile IA
– Sisteme Expert
– Natural Language Processing (NLP)
– Robotica
– Programare automata, Procesare neuronala
– Machine learning - deep learning
– Fuzzy Logic, Algoritmi Genetici
– Jocuri, Agenti inteligenti
 IA este prezenta in multe produse
comerciale
• Anti-lock Braking Systems (ABS)
• Transmisii automate
• Inregistrari video
• Electrocasnice
• Help Desk Software
• Controlul trenurilor (metrou)
• Asistenti (Siri, Alexa…)
IA cognitiva - Sisteme EXPERT
Sisteme bazate pe tehnologiile IA care inmagazineaza
cunostintele expertilor umani
dintr-un domeniu bine definit si le utilizeaza pentru
rezolvarea problemelor dificile din acel domeniu

• Achizitionarea, formalizarea si stocarea cunostintelor

• Rationament artificial
 Sisteme Expert - Concepte
• Experti / Expertiza
– Nivele de expertiza
– Non-experti / ExpertI à 100 / 1

• Transferul experizei
– expert - calculator - non-expert
– Achizitionarea si reprezentarea cunostintelor, rationament,
transfer

• Rationament Simbolic / Inferente

• Explicare / Justificare
 SISTEME EXPERT

Motor
Baza de cunostinte
de inferenta
Si in acest caz..?

Reguli de productie

Inlantuire inainte:
DACA.... ,
ATUNCI, este posibil sa... Simularea comportamentului
cognitiv in diferite
Inlantuire inapoi Situatii decizionale
Ca sa obtinem aceasta valoare,
cel mai probabil, ar trebui sa......
expert cogniticiam

APLICATII in domenii bine stabilite

Medicina, analiza financiara, analiza riscurilor….

 Reprezentarea cunostintelor
• Cunostintele expertului uman trebuie exprimate intr-o
forma “transmisibila” calculatorului si organizate intr-o
baza de cunostinte
• Metode de reprezentare a cunostintelor:
- Reguli de productie
• Premise - Concluzii
• Daca … Atunci … Altfel … (IF…THEN…ELSE…)

DACA rata inflatiei este ridicata si cererea de credite creste,

ATUNCI rata dobanzii creste.

- RETELE SEMANTICE
- CADRE
RULES IN AN EXPERT SYSTEM

28
 Cum functioneaza SE ?
– Baza de cunostinte : sute / mii de reguli
– Motorul de inferenta : strategia de cautare in baza de
cunostinte (strategia de rationament)

Inferenta – procesul de “inlantuire”/ “declansare” a regulilor pe

baza faptelor care descriu o problema concreta

• Rationament deductiv: punctul de plecare il reprezinta informatiile

introduse de utilizator, pe baza carora se declanseaza regulile si se
deduc noi informatii (cautare dirijata de fapte)

• Rationament inductiv: se introduce scopul (se formuleaza o ipoteza)

si utilizatorul este chestionat pana cand acesta este confirmat sau
infirmat (cautare dirijata de scop)
29
 Explicatii oferite de SE
• Why – de ce este cerut un anumit fapt?
• How – cum s-a ajuns la o anumita solutie/ recomandare
(Arborele de rationament)

• Capacitatea de a explicita cunostintele si justifica

rationamentele efectuate este esentiala pentru un SE

• Training si evaluare
 Dezvoltarea unui SE
• Identificarea domeniului de expertiza – natura si
obiectivele problemelor
• Identificarea experților din domeniul respectiv
• Achiziționarea cunoștințelor, a formalismului de
reprezentare, crearea BC
– Inginerul de cunoștințe
• Alegerea instrumentului informatic (generator de SE
sau realizarea unui motor de inferențe propriu)
• Realizarea sistemului
• Testarea, Evaluarea si Implementarea SE
Un generator de sisteme expert
 Sisteme Expert - Aplicatii
• Primele SE
• MYCIN – diagnostic metodic al infectiilor bacteriene (Universitatea
Standford-USA)
• DENDRAL – spectografie de masa (Universitatea Standford-USA)
• PROSPECTOR – prospectiuni geologice
• XCON – stabilirea configuratiei unui sistem de calcul dupa
cerintele clientului (compania DIGITAL)

• Aplicatii :
Analiza creditelor, Gestionarea riscurilor, Marketing, Finante,
Resurse Umane, Stiinta, Educatie, …
 SE pentru...
• Interpretare
• Predictie
• Diagnostic
• Design
• Planificare
• Monitorizare
• Instruire
• Control, …
Machine
learning
 Machine learning…

• “A breakthrough in machine learning would be worth

ten Microsofts” (Bill Gates, Chairman, Microsoft)
• “Machine learning is the next Internet”
(Tony Tether, Director, DARPA)
• Machine learning is the hot new thing”
(John Hennessy, President, Stanford)
• “Web rankings today are mostly a matter of machine learning” (Prabhakar
Raghavan, Dir. Research, Yahoo)
• “Machine learning is going to result in a real revolution” (Greg
Papadopoulos, CTO, Sun)
• “Machine learning is today’s discontinuity”
(Jerry Yang, CEO, Yahoo)
 What Is Machine Learning?

• Automating automation
• Getting computers to program themselves
• Writing software is the bottleneck
• Let the data do the work instead!
Traditional Programming

Data
Computer Output
Program

Machine Learning
Data
Computer Program
Output
Magic?

No, more like gardening

• Seeds = Algorithms
• Nutrients = Data
• Gardener = You
• Plants = Programs

Credit : Pedro Domingo

 Sample Applications

• Web search
• Computational biology
• Finance
• E-commerce
• Space exploration
• Robotics
• Information extraction
• Social networks
• Debugging
• ….
 Supervised (inductive) learning
– Training data includes desired
outputs
Decision tree induction; Rule induction; Instance-based
learning: Bayesian learning; Neural networks ; Support
vector machines ;Model ensembles ;Learning theory
Unsupervised learning
Types of – Training data does not include
desired outputs
Learning Clustering
Dimensionality reduction

Semi-supervised learning
– Training data includes a few
desired outputs
Reinforcement learning
– Rewards from sequence of actions
 ML in Practice

• Understanding domain, prior knowledge, and goals

• Data integration, selection, cleaning,
pre-processing, etc.
• Learning models
• Interpreting results
• Consolidating and deploying discovered knowledge
• Loop
 Examples of A I Benefits

– A I revolutionizing business recruitment

– A I is redefining management
– Identify overlooked borrowers
– Predict customer expectation
– Startup A I companies are emerging in large
numbers
– Most impactful: customer experience and
enjoyment.
 Some limitations of A I Machines

– Lack human touch and feel

– Lack attention to non-task surroundings
– Can lead people to rely on A I machines too much
– Can be programmed to create destruction
– Can cause many people to lose their jobs
– Can start to think by themselves, causing significant
damage
!Hypothetically … no evidence of that!
– These limitations are diminishing over time
What A I can and cannot do?

• Three flavors of AI decisions

– Assisted intelligence
– Autonomous
intelligence
– Augmented intelligence
• Artificial brain
– A people made machine
“as intelligent, creative,
and self-aware as
humans”
– To date, no one has
created such a machine
 A I in Marketing, Advertising, & C R M

One of the richest area for AI applications:

– Product and personal recommendations
– Smart search engines
– Fraud and data breaches detection
– Social semantics
– Web site design
– Producer pricing
– Predictive customer service
 A I in Marketing, Advertising, & C R M

• Improving customer experience and CRM

1. Use NLP for generating user documentation. This capability also
improves the customer–machine dialogue.
2. Use visual categorization to organize images (for example, see IBM’s
Visual Recognition and Clarifai)
3. Provide personalized and segmented services by analyzing customer
data. This includes

AI in CRM Example: Salesforce’s AI Einstein

 ?
Care este impactul IA (in particular a
sistemelor care permit automatizarea
procesului decizional) asupra
MARKETINGULUI?
 Viitorul IA...
Augumented Intelligence
To enhance, as opposed to replicate, the
human intelligence

• Watson combines natural language processing with

retrieval, reasoning and learning algorithms to search,
link and reconcile structured and unstructured data to
understand the questions humans ask it and provide
answers that they can understand and justify.

• “98% of all AI researchers are focused on engineering

systems that will help people make better decisions
versus simulating human consciousness”
Andrew Moore
 Predictions

The future of work lies in Over 85% of the jobs Nearly 133 million new
RPA services market will
reinventing jobs, not in that will emerge by 2030 jobs may be created by
reach $ 12 billion by
remplacing people with have not yet been 2022 (World Economic
2023
robots invented Forum)

IBM announced a $1 By 2023, there will be a More than 85% of

1.2 billion people will billion investment to 30% increase in the use customer interactions
work in Automation area commercialize its of RPA for front-office are expected to be
by 2024 Watson cognitive functions (sales and handled by AI within the
computing technology customer experience) next three years
Performanta activitatilor
Indicatori de baza
de marketing (nonfinaciari )
 Brand awarness (Notorietatea
marcii )
Test –drive

Indicatori
Churn
de baza –
nonfinaciari
Customer satisfaction
(Satisfactia clientului)
Take rate
The marketing behavioral impact model -
de la constientizare la loialitate

Constientizare
Plasare produse
LOIALITATE Spoturi publicitar
Carduri de fidelitate Sponzorizare evenimente
Acces exclusiv

Evaluare
Testare
Brosuri produse
Cupoane
Grafice comparative
Vanzari
Articole
Promovare evenimente
 • Perioada de timp dintre evaluare si
cumpărare
CONSTIENTIZARE • Cum se poate atribui efectiv
cumpărarea unui produs unei
acțiuni de marketing?
 • O măsura a abilitații unui consumator
de a identifica o companie/ un produs
• Marketing – direcționarea intenției de
cumpărare prin informarea
consumatorilor, astfel încât aceștia sa
poată compara diverse produse/servicii
Notorietatea
mărcii MASURARE

• Pentru [produsul/ serviciul X] care este

primul nume [companie / brand] la care
va ganditi?
• Pentru [produsul/ serviciul X] despre ce
alte [companii / branduri ] ati mai auzit?
 • Test drive – testarea unui produs sau
serviciu înainte de achiziționare
• Rata de conversie :

Evaluare Numarul de achizitionari (cumparari) /

numarul de testari
• „Leading indicator” pentru vanzarile
viitoare
 • Churn – clienții care au încetat sa mai
cumpere produsele/serviciile companiei
(anual/trimestrial/ lunar)
Loialitate • Satisfacția consumatorului - ”the
golden marketing metric”
 PROCENTUL CLIENTILOR CARE AU INCETAT SA
CUMPERE PRODUSELE/SERVICIILE MELE
Studiu ce caz - LEXUS
Clienti fideli – aproximativ 70% dintre proprietarii unui
autoturism Lexus cumpara un altul (in medie, dupa 5

Churn ani)
RR – 30% in 5 ani

(rata de RR anuala : 6%
Pe piata automobilelor de lux, RR (5 ani) = 50%
reziliere) DIFERENTA intre 10% si 6% RR anuala este foarte mare
( 20% mai multe vanzari repetate fata de alti
competitori).

Reducerea RR are un impact foarte important asupra

veniturilor !!!!
 ”Ați recomanda acest produs/serviciu
unui coleg sau prieten?”
(pe o scara de 1 la 10 – doar cei care
Satisfacția selectează 9 sau 10 sunt clienți fideli)
consumatorului
• Este o măsura asociata ”conștientizării”
– un impact asupra vânzărilor viitoare,
dar strâns legata de ”loialitate”
 SATISFACTIA CONSUMATORULUI
”Ati recomanda acest produs/ serviciu? „

Constientizare
Participarea la evenimente
Click- Throughs
LOIALITATE
Cumparari repetate
Churn rate
METRICI
CICLUL DE MARKETING -

Evaluare
Testare Preferinta pentru produs
Venituri din vanzari Descarcari informatii
Lead conversion produds
Leads
Test -drives
 • Take rate – procentul clienților care
accepta o oferta de marketing
Eficacitate • Masurarea eficacitatii interne a unei
campanii de marketing
operaționala • Demand generation (stimularea cererii)
 TAKE RATE = Numarul ofertelor acceptate/
numarul contactelor

TAKE RATE
Costul de achizitie / client = cost pe
contact/ take rate
Take rate
Exemplu : Campanie de stimulare a cererii (demand generation)
- 1000 oferte (corespondenta, contact direct…)
- 50 clienti castigati
- Costul/ oferta : 5 $
- Total costuri : 5*1000 = 5000$

Take rate = 1000/50 = 5%

AC (cost achizitie/client) = 5000/50 = 100 $
Concluzii
• Notorietatea mărcii – sondaje pentru a urmări notorietatea mărcii si
impactul “brand marketing”
• Test-drive – dezvoltarea “evaluative marketing” pentru a favoriza testarea
produselor/serviciilor. Măsurarea ratelor de conversie.
• Churn - măsurarea loialității. Reducerea ratei de reziliere (churn rate) poate
avea un impact important asupra profitabilității companiei
• Satisfacția consumatorului – branding si loialitatea consumatorului. Acest
indicator ar trebui urmărit si gestionat permanent.
• Take rate – principalul indicator in Marketingul operațional. Creșterea
valorii TR si reducerea AC – efecte importante asupra reducerii costurilor de
marketing
 MARKETING
Facultatea de
Marketing
Ciclul de studii:
MASTER
INTELLIGENCE
 Irina Bogdana Pugna
• Professor at Bucharest University of Economic
Studies (since 1991) - MIS Department
• Associate professor at at Romanian–French
INDE Professional MBA (since 2006)
• Consultant – ERP implementation, IS audit
• Evaluator – Higher Education (Middle East,
since 2012)
• Digital Catalyst Fund – Board member (2008-
20010)
• Education
- ASE, Faculty of Cybernetics, Statistics and
Informatics
- DSS “Management Financiere e Logistique
Informatique (ESUG Toulouse)
- Master program “Research and Teacher
Education for Business & Economics” (ASE,
REI)
• Research : Artificial Intelligence, Business
Intelligence, Business Analytics, Big Data,
Higher Education

irina.pugna@cig.ase.ro
 Marketingul se regaseste
din ce in ce mai mult in
lumea digitala (internet
marketing, social media,
Marketing digital marketing).

intelligence Comunicarea cu clientii se

va face in curand exclusiv in
forma digitala, aceasta
avand drept consecinta
faptul ca deciziile de
marketing vor fi tot mai
mult bazate pe date.
 Marketing intelligence

Extragerea de informatii utile, de cunostinte si chiar de

“inteligenta” din multitudinea de surse informationale este
o abilitate necesara oricarui decident din domeniu.

Dobandirea de cunostinte si abilitati practice care sa ii

permita sa utilizeze tehnologiile informationale care
faciliteaza acest proces de valorificare calitativa a datelor
devine o necesitate in spatiul digital.
 COMPETENTE PROFESIONALE
• Culegerea, analiza si interpretarea informatiilor de
marketing privind organizatia si mediul sau
- Achizitionarea de informatii (surse, metode, etica)
- Filtrarea, Sintetizarea, Analiza si Interppretarea acestora
- Comunicarea si Organizarea functiei INTELIGENTA in
procesul decizional din activitatea de marketing

• Utilizarea instrumentelor si a aplicatiilor informatice in

activitatea de marketing

Tehnologiile informationale moderne : Business Intelligence,

Competitive Intelligence, (Big) Data Analytics, AI
 OBIECTIVUL GENERAL AL DISCIPLINEI

Dezvoltarea cunostintelor si abilitatilor practice necesare in

fundamentarea deciziilor de marketing
• Abilitati cognitive – modul de abordare a problemei si
cautarea solutiilor
• Abilitati metodologice – cautarea/selectia informatiei
relevante
• Abilitati tehnice – utilizarea instrumentelor IT moderne si a
sistemelor dedicate
 OBIECTIVELE SPECIFICE
Identificarea, integrarea si analiza informatiilor
necesare fundamentarii deciziilor de marketing

• Monitorizarea mediului si a pietii : cercetare

secundara si social media
• Cercetare primara a pietii : metode cantitative si
metode calitative
• Analiza performantei : BI, MI
• Analiza competitiei : Competitive Intelligence si
Counter Competitive Intelligence
 OBIECTIVELE SPECIFICE
• Insusirea cunostintelor privind metodele de organizare si
stocare a informatiilor si a tehnologiilor specifice

• Insusirea tehnologiilor de exploatare a structurilor de

informatii

• Dezvoltarea unor abilitati analitice necesare in procesul

de adoptare a deciziilor in activitatea de marketing

• Insusirea abilitatilor de proiectare informationala a

aplicatiilor specifice activitatilor de marketing

• Crearea unei culturi organizationale Marketing

Intelligence
 Teme abordate...
• Business Intelligence, Competitive Intelligence,
Marketing Intelligence
• Tehnologii si instrumente pentru MI – modelare,
analitici, analiza multidimensionala a datelor,,
Mining (data, text, web)
• Big data
• Data - driven Marketing
• Indicatori pentru analiza performantei
activitatilor de marketing
• IA - implicatii in marketing
 Evaluare
Metoda de evaluare Pondere in nota finala

Participare activa la cursuri si seminarii 10%

Proiect de grup 10%

Test (computer) 30%

Examen oral 50%
 Bibliografie
• Lay Liebowitz, Business Analytics, CRC Press, Taylor and
Francis Group, NY, 2014
• Stephan Kudyba, Big Data, Mining and Analytics –
Components of Strategic Decision Making, CRC Press, Taylor
and Francis Group, NY, 2014
• J.P. Aimetti, J.M. Raicovitch, Intelligence Marketing, Groupe
Eyrolles, Paris, 2013
• Jeffery, Mark (2010). Data-Driven Marketing, John Wiley &
Sons (2010)
• F.Albescu, I.Pugna,, Marketing intelligence – the last frontier
of business information technologies, Revista Romana de
Marketing, vol.3/2014 (iulie- sept)
 Bibliografie

• Arthur, Lisa (2013). Big Data Marketing: Engage Your

Customers More Effectively and Drive Value, Wiley
• Sathi, Arvind (2014).Engaging Customers Using Big Data: How
Marketing Analytics Are Transforming Business 2014th
Edition, Ed. Palgrave Macmillan
• Sharda, R., Delen, D. and Turban, E. (2021). Analytics, Data
Science and Artificial Intelligence: Systems for Decision
Support, 11th ed., Pearson
• Shmueli , Galit, Bruce, Peter C., Patel, Nitin R. (2016). Data
Mining for Business Analytics: Concepts, Techniques, and
Applications with XLMiner, 3rd Edition, Ed. Wiley
• Struhl Steven (2017). Artificial Intelligence Marketing and
Predicting Consumer Choice: An Overview of Tools and
Techniques, 1st Edition, Ed. Kogan Page.
Modele - optimizarea

Optimizarea cu ajutorul unui algoritm – programare matematică

Programarea matematică reprezintă un set de metode şi instrumente pentru rezolvarea

problemelor manageriale în care decidentul trebuie să aloce o cantitate limitată de
resurse mai multor activităţi în scopul optimizării valorii unui obiectiv (măsurabil).
Cea mai cunoscută şi des utilizată metodă o reprezintă programarea liniară care
presupune:
• un set de elemente măsurabile, valori pentru care se caută valoarea optimă –
variabilele de decizie;
• un set de restricţii asupra acestor variabile, care sunt reprezentate sub forma
unor relaţii (de egalitate sau inegalitate faţă de anumite valori) liniare - de
exemplu, într-o problemă de alocare a resurselor, cantitatea acestora este
limitată;
• o funcţie obiectiv – o relaţie matematică liniară între variabilele de decizie şi
scopul urmărit - a cărei valoare trebuie maximizată (mărimea profitului, de
exemplu) sau minimizată (nivelul costurilor, de exemplu);
• existenţa unor legături între toate aceste elemente, reprezentate prin relaţii
matematice (ecuaţii) în care intervin coeficienţi în cadrul modelului de
programare liniară

Modelul unei probleme de programare liniară se reprezintă astfel:

• determinarea min (max) unei funcţii obiectiv de una sau mai multe
variabile ale cărei valori trebuie sa satisfacă o mulţime (posibil vidă) de condiţii
implicite (ce apar sub forma unor ecuaţii şi/sau inecuaţii numite restricţii) sau
explicite (condiţii care se referă la felul valorilor pe care le pot lua variabilele).
• problemele de programare matematică sunt caracterizate de prezenţa
restricţiilor “inegalităti “ şi a condiţiilor explicite impuse cel puţin unora dintre
variabile.
Deosebim :
- probleme de programare liniară (relaţii liniare intre variabile). Rezolvarea
acestora se bazează pe algoritmul Simplex (G.B.Dantzing 1947) care oferă o soluţie
optimă într-un număr finit de paşi.
- probleme de programare neliniară (există cel puţin o relaţie neliniară între
variabile). Metodele de rezolvare a acestor probleme oferă doar o aproximare a
soluţiei optime şi se pot clasifica în: metode de tip Simplex, metode provenite din
programarea dinamica, metode gradient.
Forma generala a modelului de programare liniara este:

(1) max (min) f(x1,x2,.......,xn) = c1x1 + c2x2 +.........cnxn

ìa11x1 + a12 x 2+...........................+ a1nxn £ b1

ï
ïa 21x1 + a 22 x 2+...........................+ a 2nxn ³ b2
ï
ï
(2) í
ï
ï
ï
ï
îam1x1 + am2 x 2+.........................+ amnxn £ bm

(1) funcţia obiectiv

(2) restricţii
Forma standard : toate restricţiile sunt ecuaţii şi toate variabilele sunt >=0
max(min) f(x) = cx
Ax = B
x >=0

Forma canonica : toate restricţiile sunt concordante şi toate variabilele sunt >=0
max f(x) = cx
Ax <= B min f(x) =cx
x>=0 Ax >=B
x >=0

Aceste probleme se rezolvă cu ajutorul unui algoritm – algoritmul SIMPLEX

(Dantzing 1951)– care constituie o procedură iterativă, la fiecare pas obţinându-se o
îmbunătăţire a soluţiei, oferind în final:
- soluţia admisibilă (satisface doar condiţiile explicite) SAU
- soluţia optimă
Există programe standard pentru rezolvarea problemelor de programare liniară (de
exemplu, în EXCEL, componenta SOLVER).
Problema 1
O companie producatoare de echipamente (4 tipuri de produse) doreste sa-si
eficientizeze planul de productie in luna urmatoare. Datele referitoare la costurile cu
materiile prime, resursa umana si cererea pentru produsele respective sunt cele din
tabelele de mai jos.

Date de intrare
salariu orar 8
cost unitar m1 0.5
cost unitar m2 0.75

produse p1 p2 p3 p4
ore munca/p 2 1 3 2
m1/p 4 2 1 2
m2/p 6 2 1 2
pret vanzare/p 28.5 12.5 29.25 21.5

Plan de productie
p1 p2 p3 p4

cerere 1000 2000 500 1000

utilizat disponibil
ore munca 4000
m1 6000
m2 10000

Determinati planul optim de productie