ZASTOSOWANIE NARZ DZI EKSPLORACJI DANYCH DATA MINING DO TWORZENIA MODELI ZARZ DZANIA WIEDZ

Wielkość: px
Rozpocząć pokaz od strony:

Download "ZASTOSOWANIE NARZ DZI EKSPLORACJI DANYCH DATA MINING DO TWORZENIA MODELI ZARZ DZANIA WIEDZ"

Transkrypt

1 ZASTOSOWANIE NARZ DZI EKSPLORACJI DANYCH DATA MINING DO TWORZENIA MODELI ZARZ DZANIA WIEDZ EUGENIA FRONCZAK MAŁGORZATA MICHALCEWICZ Uniwersytet Technologiczno Przyrodniczy w Bydgoszczy Streszczenie W dobie intensywnego post pu technologicznego w przedsi biorstwach rejestrowane s tysi ce ró nego rodzaju danych. Wiedza zawarta w ogromnych zbiorach danych jest ukryta pod postaci wzorców, trendów, regularno ci i osobliwo ci. Jednak poniewa człowiek i techniki statystycznej analizy danych nie s w stanie ich przeanalizowa stosuje si techniki eksploracji danych, aby z du ych zbiorów danych wyci gn wnioski wspomagaj ce procesy decyzyjne, prognozy czy przewidywania. Stosowanie wyspecjalizowanych narz dzi Data Mining umo liwia budowanie modeli, testowanie modeli i stosowanie ich do nowych danych. W artykule przedstawiono zastosowanie narz dzi eksploracji danych do tworzenia modeli zarz dzania wiedz. Słowa kluczowe: Data Mining, modele zarz dzania wiedz, eksploracja danych, odkrywanie nowej wiedzy 1. Wprowadzenie Dynamika zmian w gospodarce powoduje, e zarz dzanie wiedz oraz eksploracja danych odgrywa znacz c rol w działalno ci wszystkich przedsi biorstw na rynku. Wiedza w tworzona i stosowane w organizacji jest najcenniejszym zasobem i jedynym ródłem trwałej przewagi konkurencyjnej. Dlatego jednym z najwi kszych wyzwa, przed jakim stoj organizacje w Polsce jest tworzenie wizji "zarz dzania wiedz " w realne rozwi zania oraz optymalne wykorzystanie posiadanych zasobów intelektualnych i niematerialnych tak, by w sposób trwały przyczyniały si one do tworzenia warto ci dodanej. Data Mining słu y tak e do zautomatyzowanego odkrywania statystycznych zale no ci i schematów w bardzo du ych bazach danych [1], [6], [19]. Odkrywane, wcze niej nieznane zale no ci i schematy, przedstawiane najcz ciej w formie reguł logicznych, drzew decyzyjnych lub sieci neuronowych mog posiada du warto ekonomiczn i mog by u yte do wspomagania podejmowania decyzji finansowych i marketingowych w przedsi biorstwie. Eksploracja danych (Data Mining) jest obecnie bardzo intensywnie rozwijaj c si dziedzin wiedzy. Głównym powodem jest gromadzenie przez ludzi coraz to wi kszych ilo ci danych (np. typowy supermarket rejestruje dziennie dziesi tki tysi cy operacji sprzeda y), które coraz trudniej jest analizowa za pomoc metod znanych z klasycznych baz danych (zapytanie, podsumowanie, zestawienie itp.). Istnieje przekonanie, e gdy ilo danych zaczyna przekracza pewn warto krytyczn, staj si one praktycznie bezwarto ciowe (szukanie igły w stogu siana). U ytkownicy zaczynaj ton w tym ogromie aby jako rozwi za problem, nale y opracowa zupełnie inne metody analizowania zgromadzonych danych [9].

2 POLSKIE STOWARZYSZENIE ZARZ DZANIA WIEDZ Seria: Studia i Materiały, nr 27, Poniewa współczesne systemy bazodanowe s bardzo wydajne i pojemne, st d rzeczywistym problemem jest nie to, jak je gromadzi, ale jak z nich efektywnie korzysta [9]. Eksploracja danych to dziedzina interdyscyplinarna. Czerpie wiedz z systemów baz danych, statystyki, systemów wspomagania decyzji, sztucznej inteligencji, uczenia maszynowego, wizualizacji danych czy przetwarzania równoległego. Sposób prezentacji odkrytej z danych wiedzy nazywa si modelem wiedzy. 2. Data Mining jako nowoczesna technologia okrywania nowej wiedzy Eksploracja danych to...proces odkrywania nowych, wcze niej nieznanych, potencjalnie u ytecznych, zrozumiałych i poprawnych wzorców w bardzo du ych wolumenach danych" [7]. Eksploracja danych wykorzystuje ró ne modele wiedzy do reprezentowania wzorców obecnych w danych. Modele te obejmuj, mi dzy innymi, reguły asocjacyjne [1], reguły cykliczne i okresowe [15], reguły dyskryminacyjne i charakterystyczne [3], klasyfikatory bayesowskie [12], drzewa decyzyjne [17, 18], wzorce sekwencji [2], skupienia obiektów [5], przebiegi czasowe, osobliwo ci i wyj tki. Wiedza odkryta w danych mo e by postrzegana jako warto dodana, podnosz ca jako danych i znacz co polepszaj ca jako decyzji podejmowanych na podstawie danych. Zdaniem W. Stanisławskiego i E. Szydłowskiej proces identyfikacji wzorców to odkrywanie wiedzy (Knowledge Discovery). Wzorzec jest tu rozumiany jako zwi zki, korelacje, trendy, deskryptory rzadkich zdarze itp. Według autorów eksploracja danych to jedna z faz procesu odkrywania wiedzy, co przedstawia rysunek 1. Rysunek 1. Proces odkrywania wiedzy ródło: Cios K.J., Pedrycz W., Swiniarsk R.W.: Data Mining Methods for Knowledge Discovery, Kluwer Academic Publisher Group, 2000, ISBN [4]. Odkrywanie wiedzy obejmuje cały proces akwizycji wiedzy, pocz wszy od selekcji danych ródłowych, poprzez czyszczenie, transformacj, kompresj danych, odkrywanie wzorców, a sko czywszy na ocenie odkrytych wzorców. Na cały proces składaj si [10]: sformułowanie problemu, wybór danych, czyszczenie danych, integracja danych, transformacja danych, eksploracja danych, wizualizacja i ocena odkrytych wzorców, i wreszcie zastosowanie wzorców. Dane w przedsi biorstwie gromadzone s w ró nych postaciach baz. Mog to by płaskie pliki, bazy relacyjne, obiektowe. Dane te trzeba odpowiednio przygotowa. Najlepszymi danymi do procesu eksploracji s dane pochodz ce z hurtowni danych. Poza tym dane, które s wynikiem analizy mo na przedstawi za pomoc narz dzi wizualizacji. W procesie eksploracji mo na wyró ni trzy etapy, które przedstawia rysunek 2.

3 128 Eugenia Fronczak, Małgorzata Michalcewicz Zastosowanie narz dzi eksploracji danych Data Mining do tworzenia modeli zarz dzania wiedz ETAPY PROCESU EKSPLORACJI 1. OPISANIE DANYCH na podstawie statystycznych analiz i wykresów mo na zauwa y podstawowe wła ciwo ci danych ródło: Opracowanie własne. 2. ZBUDOWANIE I TESTOWANIE PREDYKCYJNEGO MODELU na podstawie danych tworzony jest model opieraj cy si na poznanych wzorach danych, nast pnie taki model jest sprawdzany na innym zbiorze. Dobrze zbudowany model nie powinien si myli, a jego wyniki musz w du- ym stopniu pokrywa si z rzeczywistymi warto ciami Rysunek 2. Etapy procesu eksploracji 3. DO WIADCZALNA WERYFIKACJA MO- DELU dla zaprojektowanego modelu wykonywana jest do wiadczalna weryfikacja w celu upewnienia si czy mo na polega na prognozach takiego modelu W ród metod eksploracji danych mo na wyró ni wiele technik, które przedstawia poni sza tabela 1. Tabela 1. Podział metod eksploracji danych PODZIAŁ METOD EKSPLORACJI DANYCH Podział ze wzgl du na zbiór danych wej ciowych Podział ze wzgl du na wyniki analizy Techniki uczenia bez Techniki uczenia nadzorowanego nadzoru Techniki deskrypcyjne (unsupervised Techniki predykcyjne (supervised learning) (segmentacji) learning) (uczenie (uczenie bez z nauczycielem) nauczyciela) na podstawie znalezionych wzorców dokonuj przewidywa i uogólnie warto ci nieznanych atrybutów, zachowa, cech nowego obiektu wykorzystuj poznane wzorce do opisywania danych i uchwycenia ogólnych cech opisywanych obiektów, zawieraj si tu przede wszystkim zagadnienia grupowania dane wej ciowe stanowi pewien zbiór ucz cy, gdzie dla okre- lonego zestawu warto ci atrybutów poznawane s warto ci atrybutu wyj ciowego, podczas tworzenia zbioru ucz cego musi by znane prawdziwe przypisanie ka dego obiektu do klasy algorytm odkrywania wiedzy nie dysponuje zbiorem ucz cym, algorytm eksploracji danych stara si sformułowa model najlepiej pasuj cy do obserwowanych danych

4 POLSKIE STOWARZYSZENIE ZARZ DZANIA WIEDZ Seria: Studia i Materiały, nr 27, maj zastosowanie tam, gdzie istotne jest oszacowanie cechy wyj ciowej, - na podstawie dotychczasowych relacji z klientem pozwalaj przewidzie przyszłe zdarzenia, - pozwalaj na ocen ryzyka ubezpieczeniowego zwi zanego z klientem, - pozwalaj na oszacowanie prawdopodobie stwa przej cia klienta do konkurencyjnego usługodawcy. Przykłady zastosowania ródło: Opracowanie własne. 3. Wady Data Mining - wykorzystywane w celu zaklasyfikowania klientów o podobnych zachowaniach i cechach do odr bnych grup, - pozwalaj na odkrywanie grup podobnych klientów, - pozwalaj na znajdowanie zbiorów produktów cz sto kupowanych razem, - umo liwiaj identyfikacj osobliwo ci wyst puj cych w danych. Przykłady technik uczenia - techniki klasyfikacji (drzewa decyzyjne, algorytmy bazuj ce na n najbli szych s siadach, sieci neuronowe, statystyka bayesowska), - techniki regresji. - techniki analizy skupie (clustering), - samoorganizuj ce si mapy, - algorytmy maksymalizacji warto ci oczekiwanej (expectationmaximization). Analiza danych nie jest prostym zagadnieniem, dlatego podczas tego procesu pojawiaj si ró ne problemy: 1. Ogromne rozmiary danych Problem zło ono ci czasowej i poszukiwania zale no ci mi dzy warto ciami atrybutów wymaga stosowania metod heurystycznych lub zmniejszania obszaru poszukiwa. Zmniejszanie obszaru poszukiwa mo e by wykonywane horyzontalnie(poprzez przeprowadzenie dyskretyzacji warto ci cech) lub w płaszczy nie pionowej (poprzez usuwanie nadmiernych cech). 2. Wiedza analityczna Do przeprowadzenia projektu Data Mining niezb dne jest odpowiednie przygotowanie analityczne, a tak e dodatkowo znajomo zagadnie biznesowych oraz zdolno przeło enia problemów biznesowych na wła ciwe techniki analityczne. Jednak najlepsze rezultaty stosowania technologii Data Miting mo na osi gn poprzez wyj cie od problemów biznesowych. 3. Dobrze wykwalifikowani specjali ci Osoba rozumiej ca problem biznesowy powinna tak e rozumie, w jaki sposób dost pne techniki analityczne i zastosowane narz dzie rozwi zuje ten problem (w celu unikni cia pułapek). Dlatego projekt Data Mining prowadzony jest zwykle przez zaawansowanych analityków. Poza tym taki projekt wymaga tak e zaanga owania u ytkowników biznesowych (mened erów, doradców), którzy rozumiej rozwa any problem i analizowane dane oraz ludzi, którzy rozumiej wykonywane analizy. 4. Wysokie koszty Wdra anie systemów Data Mining wi e si nie tylko z du ymi kosztami, ale tak e z reorganizacj całego lub cz ci przedsi biorstwa. Systemy te nie zawsze

5 130 Eugenia Fronczak, Małgorzata Michalcewicz Zastosowanie narz dzi eksploracji danych Data Mining do tworzenia modeli zarz dzania wiedz ułatwi proces zarz dzania i funkcjonowania firmy, a przy nieumiej tnym jego wdra aniu mog go jeszcze bardziej utrudni. 5. Problem integracji odkrywanej wiedzy z istniej c wiedz. 6. Dynamiczna natura danych W bazach danych ci gle s dodawane nowe elementy, a istniej ce s modyfikowane, wła nie dlatego narz dzia Data Mining musz by cały czas rozwijane, a dostarczona wiedza powinna by aktualizowana. 7. Brak inteligentnego systemu zapyta Brakuje inteligentnego j zyka zapyta (komunikacja) z systemami Data Mining. Zdarza si, e system Data Mining dedykowany do eksploracji danych nie potrafi zintegrowa posiadanych ju narz dzi do analizy i wizualizacji danych. 8. Bł dy niesystematyczne i brakuj ce warto ci Podczas analizy danych pojawiaj si bł dy niesystematyczne (szumy). Ze wzgl du na ten problem metody analizy nie powinny by zbyt wra liwe na tego typu zachowania, aby dochodziło do zakłócania reguł. Taki problem pojawia si równie w przypadku brakuj cych warto ci. 4. Zalety Data Mining Do głównych korzy ci z wdro enia systemów Data Mining zaliczaj si : usprawnienie sterowania procesem i podejmowania decyzji, odkrywanie ukrytej wiedzy zawartej w du ych zbiorach danych, nieobci anie komunikacj z zewn trznymi narz dziami analitycznymi, przewidywanie przyszłych przedsi wzi, prosta obsługa du ych zbiorów danych, porównanie wielu modeli i szybki wybór najlepszego z nich odkrywanie wiedzy z ró norodnych baz danych i ró nych typów z danych, poprawa ogólnej sprawno ci firmy, zastosowanie w wielu dziedzinach: projektowanie i doskonalenie produktu, analiza danych na temat klientów zgromadzonych w systemach transakcyjnych i hurtowniach danych, znajdowanie wzorców zachowa, sugeruj cych np. skłonno do zakupu pewnego rodzaju produktu. Wprowadzenie systemów Data Mining pozwala wykonywa kiedy niemo liwe do zrealizowania analizy biznesowe i tworzy niezawodny fundament do efektywnego podejmowania decyzji i trafnego prognozowania wskazuj cego drog do sukcesu. Jednak wi kszo korzy ci z wdro enia systemów Data Mining jest niemierzalna. Próbuje si oceni skuteczno negocjacji wspartych systemem, ale problemem s tu punkty odniesienia - wzrost sprzeda y czy przychodów nie musi by zwi zany z wprowadzeniem systemu, ale spowodowany czynnikami zewn trznymi, np. wzrostem popytu, zmianami preferencji klientów. Bardzo trudne jest te przeliczenie na zysk osi ganych celów strategicznych firmy. Z perspektywy zarz du koszt systemu wspomagania decyzji i wska nik zwrotu z inwestycji mog mie drugorz dne znaczenie przy podejmowaniu decyzji o wdro eniu w firmie tego rozwi zania [11]. 5. Narz dzia Data Mining Narz dzia Data Mining to zaawansowane narz dzia dr enia i eksploracji danych słu ce do automatycznego znajdowania zwi zków mi dzy danymi. Narz dzia tej klasy wykorzystuj wiele wyrafinowanych technik takich jak na przykład sieci neuronowe, drzewa decyzyjne, sieci Bayesa,

6 POLSKIE STOWARZYSZENIE ZARZ DZANIA WIEDZ Seria: Studia i Materiały, nr 27, algorytmy genetyczne, clustering czy regresja. Narz dzia tej klasy s wykorzystywane przez analityków mi dzy innymi do segmentacji bazy klientów, prognozowania, pozycjonowania produktu na rynku, a tak e do wykrywania oszustw w czasie rzeczywistym. [13] Do najbardziej popularnych pakietów programowych oferuj cych metody Data Mining nale- : Oracle Data Mining (ODM), SQL Server Data Mining Business Inteligence, Statistica Data Miner, SAS Enterprise Miner, IBM Inteligent Miner for Data. Oracle Data Mining (ODM) Zdaniem W. Stanisławskiego i E. Szydłowskiej baz danych Oracle charakteryzuje poł czenie procesu odkrywania wiedzy z systemem zarz dzania baz danych, posiada ona tak e szereg funkcji umo liwiaj cych rozbudowane analizy danych. Mo liwa jest dzi ki temu realizacja w jednym systemie baz danych ró nych procesów takich jak: przygotowywanie danych, ich transformacja, generowanie oraz wykorzystywanie modeli. Daje to tak e du e mo liwo ci programistom, poprzez poł czenie technik eksploracji z aplikacjami bazodanowymi. Oracle Data Mining (ODM) jest komponentem oferuj cym analizy danych jest. W jego skład wchodz trzy elementy: Data Mining Engine (DME) zapewnia infrastruktur, zawieraj c zestaw usług Data Mining udost pnianych dla klientów API, interfejs aplikacji (API) umo liwia dost p do funkcji i algorytmów zaimplementowanych w DME, reporytozium metadanych wykorzystywane poprzez DME do udost pniania obiektów wygenerowanych w trakcie analiz [16]. W interfejsie aplikacji mo na wyodr bni trzy cz ci. Ka da z nich skierowana jest do innego typu u ytkownika. a) Oracle Data Mining Predictive Analytics (PA) zawiera dwa programy: przewidywanie (ang. Predict) oraz wyja nianie (ang. Explain). W przewidywaniu wykorzystywane s algorytmy klasyfikacji i regresji, a w wyja nianiu algorytm wa no ci atrybutów. Programy s w pełni zautomatyzowane, od u ytkownika wymagane jest tylko odpowiednie sformatowanie danych wej ciowych. Program przewidywania skierowany dla u ytkowników których głównym celem jest uzyskanie w krótkim czasie rzetelnych wyników np, dyrektorów marketingu. b) Drugi interfejs jest skierowany do programistów, dost pny jest w dwóch j zykach: Java i PL/SQL. Oba API s ze sob kompatybilne i mo na budowa modele z wykorzystaniem skryptów PL/SQL, a testowa przy u yciu aplikacji Javy, pozwala on tak e na wdra anie wbudowanych algorytmów do aplikacji klienckich. c) Oracle Data Miner to narz dzie graficzne, pozwalaj ce na realizacj zada eksploracji oraz wizualn reprezentacj wyników. Przeznaczone jest ono dla analityków biznesowych, którzy orientuj si w badanych zagadnieniach i potrafi dobra algorytm stosownie do posiadanych danych i oczekiwanych wyników. Wykorzystywane jest tak e

7 132 Eugenia Fronczak, Małgorzata Michalcewicz Zastosowanie narz dzi eksploracji danych Data Mining do tworzenia modeli zarz dzania wiedz przez programistów do wyboru kierunku rozwoju aplikacji poprzez wst pn analiz danych, tworzenie przykładowych modeli oraz wizualne sprawdzanie ich efektywno ci. Zaimplementowane algorytmy pozwalaj ce na tworzenie modeli eksploracji w ODM podzielono na dwie grupy zaprezentowane w tabeli 2. Tabela 2. Algorytmy pozwalaj ce na tworzenie modeli eksploracji w ODM Algorytmy z nauczycielem klasyfikacja - naiwny klasyfikator Bayesa (Naive Bayes) - adaptacyjna sie Bayes (Adaptive Bayes Network) - SVM (Suport Victor Machine) - indukcja drzew decyzyjnych (Decision Tree) regresja - SVM (Suport Victor Machine) wa no atrybutów - minimalna długo opisu (Minimum description Length) Algorytmy bez nauczyciela analiza skupie - algorytm k- rednich (k-means) - O-Cluster reguły asocjacji -apriori ekstrakcja cech -NMF (Non-Negative Matrix nfactorization) ródło: Opracowanie własne. SQL Server Data Mining SQL Server nale y do rodziny technologii Business Intelligence, której wszystkie elementy współpracuj ze sob w celu dostarczenia wszechstronnej platformy umo liwiaj cej organizacjom stosowanie analizy predykcyjnej na ka dym etapie cyklu ycia danych. [22] Microsoft SQL Server 2008 oferuje analiz predykcyjn za po rednictwem pełnego i intuicyjnego zestawu narz dzi Data Mining. Gł boka integracja z platform Microsoft Business Intelligence umo liwia dost p do danych w ka dym momencie, elastyczna platforma pozwala umieszczenie funkcji predykcji w dowolnej aplikacji. [21] Firma Microsoft zmierzaj c do stworzenia kompleksowej platformy Business Intelligence (BI), która mo e by integrowana z codziennymi działaniami firmy i efektywnie wykorzystywana przez pracowników w całej organizacji, nie tylko przez garstk wyspecjalizowanych analityków przedefiniowała mo liwo ci raportowania i analizy w Microsoft SQL Server. Dzi ki temu Business Intelligence uwa ana do tej pory za zbyt kosztowne lub skomplikowane pod wzgl dem implementacji rozwi zanie, teraz korzysta z kompleksowych mo liwo ci tworzenia, renderowania i dostarczania raportów przy pomocy usług SQL Server Reporting Services oraz z bogatej funkcjonalno ci przetwarzania analitycznego online (OLAP) dostarczanej przez usługi SQL Server Analysis Services. cisła integracja mi dzy takimi produktami Business Inteligence a wszechobecnym systemem Microsoft Office umo liwiła masowy dost p do analizy biznesowej. Aby poprawi sprawno i efektywno operacyjn firm nale y wykorzysta analiz predykcyjn danych biznesowych i stosowa w procesach biznesowych inteligentny system podejmowania decyzji. Osi gni cie tego celu jest mo liwe poprzez wykorzystanie funkcjonalnych algorytmów Data Mining. Algorytmy te zapewniaj ogromne mo liwo ci w zakresie analizowania zbiorów danych, porównywania nowych danych z faktami i zachowaniami historycznymi, identyfikowania klasyfikacji oraz relacji mi dzy jednostkami i atrybutami biznesowymi oraz

8 POLSKIE STOWARZYSZENIE ZARZ DZANIA WIEDZ Seria: Studia i Materiały, nr 27, udost pniania trafnych wgl dów predykcyjnych we wszystkich systemach i dla wszystkich u ytkowników podejmuj cych decyzje biznesowe. Wychodz c naprzeciw przekonaniu, e Data Mining to specjalistyczna, skomplikowana i kosztowna technologia firma Microsoft zaoferowała rozwi zanie, w którym wszechstronne technologie Data Mining zostały doł czone do usług SQL Server Analysis Services przy jednoczesnym zapewnieniu bezpo redniej integracji z systemem Microsoft Office Takie rozwi zanie w poł czeniu z korporacyjnymi mo liwo ci SQL Server Analysis Services zapewnia wszystkim dost p do bogatych funkcji oraz analiz Data Mining, które stanowi klucz do sukcesu. Dzi ki cisłej integracji technologii Data Mining w SQL Server 2008 z systemem Office 2007, uniwersalnemu rodowisku programistycznemu, korporacyjnym mo liwo ciom oraz rozszerzalnemu zestawowi bogatych i innowacyjnych algorytmów Data Mining uwzgl dniaj cych typowe problemy biznesowe mo liwe jest stosowanie technologii Data Mining w sposób intuicyjny i samoobsługowy, co pozwala firmom sprawnie ocenia sytuacj. Analiza predykcyjna kiedy była stosowana tylko przez pracowników - ekspertów w dziedzinie statystyki. Technologia Data Mining w SQLServer 2008 oferuje kompleksowa analiz predykcyjn, która udost pnia analizy oraz predykcje wielu u ytkownikom. Dodatek Microsoft SQL Server 2008 Data Mining dla Office 2007, pokazany na rysunku 3, umo liwia pracownikom korzystaj cym z informacji zastosowanie zaawansowanej technologii Data Mining w znanym rodowisku arkuszy kalkulacyjnych. Dzi ki temu u ytkownicy mog w łatwy sposób uzyskiwa rzetelne informacje, które zapewniaj natychmiastowe i znacz ce wskazówki pomocne w podejmowaniu codziennych decyzji. Narz dzia Table Analysis dla Microsoft Office Excel 2007 ukrywaj zło ono technologii Data Mining za intuicyjnymi zadaniami, dostarczaj c mechanizmy, które pozwalaj u ytkownikom w łatwy i niemal niezauwa alny sposób przechodzi mi dzy analiz a odkrywaniem wiedzy. Komponent kliencki Data Mining dla Office Excel 2007 oferuje dost p do pełnego procesu tworzenia rozwi zania Data Mining, który zapewnia zaawansowanym u ytkownikom wi cej informacji, sprawdzanie poprawno ci i du kontrol. Co wi cej, szablony Data Mining dla aplikacji Visio umo liwiaj u ytkownikom renderowanie opatrzonych adnotacjami wizualizacji graficznych modeli Data Mining. Generalnie integracja funkcji SQL Server 2008 Data Mining z systemem Office 2007 tworzy kompleksowy, intuicyjny ekosystem biznesowy z funkcj pracy zespołowej, który upowszechnia dost p do analizy predykcyjnej i pomaga w dostarczaniu informacji wspieraj cych podejmowanie decyzji biznesowych w całej organizacji. [21]

9 134 Eugenia Fronczak, Małgorzata Michalcewicz Zastosowanie narz dzi eksploracji danych Data Mining do tworzenia modeli zarz dzania wiedz Rysunek 3. Dodatek Data Mining dla programu Microsoft Office Excel 2007 ródło: Analiza predykcyjna z wykorzystaniem SQL Server 2008, cz. I, Baza Wiedzy Microsoft TechNet, 27 czerwca 2008 [21]. Dodatek Data Mining dla systemu Office 2007 oferuje wiele korzy ci, które przedstawia rysunek 4. System Office 2007 stanowi idealne narz dzie dla pracowników wykorzystuj cych informacje, ale programi ci BI, którzy rozwijaj rozwi zania na skal korporacyjn, najcz ciej wybieraj SQL Server Business Intelligence Development Studio, poniewa oferuje ono rodowisko bazuj ce na projektach, uzupełnione funkcjonalno ci debugowania i integracj z systemem kontroli ródła, co pozwala na tworzenie kompleksowych rozwi za BI. Oczywi cie masowe rozpowszechnianie funkcji Data Mining jest u yteczne tylko wtedy, gdy programi ci mog budowa rozwi zania Data Mining, które szybko i z łatwo ci realizuj okre lone wymagania biznesowe. SQL Server Business Intelligence Development Studio stanowi uniwersalne rodowisko programistyczne bazuj ce na systemie programistycznym Microsoft Visual Studio. Przy u yciu Business Intelligence Development Studio programi ci mog tworzy struktury Data Mining okre laj ce tabele i kolumny, które maj zosta uwzgl dnione podczas analizy, a tak e mog dodawa wiele modeli Data Mining, które stosuj algorytmy Data Mining na danych w tych tabelach. Szablon projektu Analysis Services w Business Intelligence Development Studio, pokazany na rysunku 5, zawiera intuicyjne narz dzie Data Mining Designer słu ce do tworzenia i wy wietlania modeli Data Mining. Dostarcza równie funkcje Cross-validation, Lift chart oraz Profit chart, które słu do porównywania i kontrastowania jako ci modeli w sposób wizualny i przy pomocy statystycznych ocen bł dów oraz trafno ci przed wdro eniem tych modeli. [21] SQL Server Analysis Services oferuje wiele korzy ci: szybki rozwój, wysoka dost pno, wyj tkowa wydajno i skalowalno, stabilne zabezpieczenia,

10 POLSKIE STOWARZYSZENIE ZARZ DZANIA WIEDZ Seria: Studia i Materiały, nr 27, wi ksze mo liwo ci zarz dzania dzi ki SQL Server Management Studio. To sprawia, e technologie Data Mining umo liwiaj ce analiz predykcyjn mog rozwija si wraz z firm i zapewniaj wydajne, skalowalne rozwi zanie dopasowane dla dowolnej firmy. W odpowiedzi na szeroki zakres wymaga biznesowych ró nych organizacji, SQL Server Data Mining oferuje szeroki zestaw funkcji. Korzy ci dodatku Data Mining dla systemu Office 2007 WSZECHSTRONNO INTUICYJNO WSPÓŁPRACA zapewnia szeroki zakres narz dzi dostarcza znacz ce wgl dy dla dzielenie wgl dów w obr bie Data Mining ka dego u ytkownika (znajome całej organizacji dostosowanych do wielu potrzeb rodowisko Microsoft Office) (Dodatek Data Mining dla sytemu Office 2007) U ytkownicy mog : analizowa dane, odkrywa ukryte trendy oraz relacje mi dzy produktami, klientami, rynkami, pracownikami oraz innymi czynnikami, przewidywa potrzeby, poznawa mechanizmy działania, odnajdowa ukryty potencjał, usprawnia procesy biznesowe, bezpo rednio wpływa na rentowno firmy. ródło: Opracowanie własne. Narz dzia Table Analysis dla Office Excel 2007 szybko dostarczaj czytelne i znacz ce wyniki analiz w trzech prostych krokach: definiowanie danych - okre lenie danych i stworzenie w arkuszu kalkulacyjnym Office Excel 2007 tabeli definiuj cej dane poddawane analizie, identyfikowanie zadania - wybranie odpowiedniego zadania Data Mining, które ma zosta wykonane na danych, pobieranie wyniku - analiza danych wyj ciowych za pomoc wizualizacji bezpo rednio w rodowisku Office Excel Rysunek 4. Korzy ci dodatku Data Mining dla systemu Office 2007 Dzi ki zaawansowanym narz dziom publikacji systemu Office 2007 mo na dzieli odkrycia i informowa o decyzjach biznesowych w obr bie całej organizacji. U ytkownicy mog : udost pni wynik analizy za po rednictwem interaktywnych wizualizacji graficznych w diagramach Office Visio 2007, udost pni tabele, raporty oraz diagramy przy pomocy Microsoft Office SharePoint Server 2007.

11 136 Eugenia Fronczak, Małgorzata Michalcewicz Zastosowanie narz dzi eksploracji danych Data Mining do tworzenia modeli zarz dzania wiedz Rysunek 5. Data Mining Designer w Business Intelligence Development Studio ródło: Analiza predykcyjna z wykorzystaniem SQL Server 2008, cz. I, Baza Wiedzy Microsoft TechNet, 27 czerwca 2008 [21]. Technologia ta realizuje nast puj ce zadania: 1. analiza koszyka produktów odkrywa, które elementy s kupowane razem, aby odpowiednio rozmieszcza produkty na półkach co mo e pomóc w zwi kszeniu zysków, 2. analiza migracji klientów przewiduje, którzy klienci rozwa aj anulowanie usługi i szuka argumentów, które mog ich powstrzyma przed odej ciem, 3. analiza rynku okre la segmenty rynku, grupuj c ze sob podobnych klientów, 4. prognozowanie przewiduje sprzeda i stan magazynu, pokazuje powi zania mi dzy nimi, dzi ki czemu przewiduje opó nienia i poprawia wydajno, 5. eksploracja danych analizuje rentowno klientów i porównuje klientów preferuj cych ró ne marki tego samego produktu, w celu odkrywania nowych mo liwo ci, 6. uczenie bez nadzoru znajduje nieznane wcze niej relacje mi dzy ró nymi elementami w firmie w celu wspomagania decyzji, 7. analiza witryny sieci Web odkrywa sposób korzystania z witryny sieci Web przez u ytkowników, wyszukuje podobne wzorce u ycia, aby poprawi funkcjonalno, 8. analiza kampanii pozwala zwi kszy zwrot inwestycji w działaniach marketingowych adresuj c je do klientów, którzy przypuszczalnie zareaguj na promocj, 9. jako danych wyszukuje i obsługuje anomalia podczas wprowadzania lub ładowania danych, aby poprawi jako informacji, 10. analiza tekstu analizuj c opinie, wyszukuje popularne tematy oraz trendy, które interesuj klientów lub pracowników, w ten sposób wspomaga decyzje przy u yciu danych nieustrukturyzowanych. SQL Server 2008 Analysis Services obejmuj technologi Data Mining, która wspiera wiele bogatych i innowacyjnych algorytmów. Wi kszo z tych algorytmów została zaprojektowana

12 POLSKIE STOWARZYSZENIE ZARZ DZANIA WIEDZ Seria: Studia i Materiały, nr 27, z my l o typowych wyzwaniach biznesowych. W technologii SQL Server Data Mining mo na wyró ni nast puj ce algorytmy pozwalaj ce na tworzenie modeli eksploracji: Asocjacja (Association), Indukcja drzew decyzyjnych (Decision Trees), Linear Regression, Logistic Regression, Clustering, Sequence Clustering, Time Series, Neural Network, Naiwny klasyfikator Bayesa (Naive Bayes), Text Mining. Rozwi zanie Data Mining SQL Server 2008 udost pnia funkcje analizy predykcyjnej wielu u ytkownikom w obr bie całej korporacji. Zastosowanie w procesie biznesowym takiego inteligentnego i intuicyjnego w obsłudze systemu podejmowania decyzji wpływa na sprawno i efektywno operacyjn firm. W przypadku, gdy istnieje potrzeba wbudowania funkcjonalno ci Data Mining w konkretn aplikacj, zastosowania analizy biznesowej w istniej cym procesie biznesowym lub rozszerzenia technologii Data Mining dla specyficznego problemu biznesowego, SQL Server oferuje elastyczn i rozszerzaln platform programistyczn. Pozwala ona wł cza predykcj i analizy w specjalistyczne aplikacje biznesowe, a dzi ki zastosowaniu procedur składowanych Microsoft.NET, algorytmów typu plug-in, niestandardowych wizualizacji oraz j zyka PMML pozwala rozszerza standardowe technologie Data Mining w SQL Server 2008 w taki sposób, aby realizowały nietypowe potrzeby biznesowe charakterystyczne dla okre lonej firmy. 6. Podsumowanie We współczesnych realiach systemy Data Mining staj si coraz istotniejsze dla funkcjonowania przedsi biorstw, gdy umo liwiaj ich decydentom podejmowanie optymalnych decyzji w dynamicznie zmieniaj cym si otoczeniu, w którym potrzeby klientów oraz działania konkurencji wysuwaj si na pierwszy plan. Zaimplementowane w instytucjach zaawansowane modele predykcyjne, ekonomiczne, odkrywania wzorców na podstawie ogromnych baz danych, oraz narz dzia sztucznej inteligencji sprawiaj, i współczesne organizacje mog odkrywa dotychczas nieznan im wiedz oraz twórczo j wykorzystywa, w celu osi gni cia jeszcze wi kszych korzy- ci. Jednak nale y u wiadomi sobie, i systemy Data Mining nie s uniwersaln recept na problemy z jakimi stykaj si decydenci przedsi biorstw, s jedynie kolejnym u ytecznym narz dziem, które wspomaga decydenta w procesie podejmowania przez niego decyzji, zwykle ilo ciowych. Bowiem, w rzeczywisto ci społeczno gospodarczej wiele zjawisk i procesów nie jest mierzalnych, w sensie ilo ciowym. Przedsi biorstwa stykaj si równie z problemami jako- ciowymi, których nie mo na rozwi za za pomoc metod i systemów Data Mining. Ponadto umysł człowieka jest zawodny i nie jest w stanie ogarn, ani wysnu logicznych wniosków ze zbiorów ogromnych baz danych. Nale y pami ta, i jednak człowiek tworzy powy sze nowe metody, a nast pnie to wła nie człowiek wysnuwa logiczne wnioski na podstawie wniosków komputera. Zatem to nadal umysł człowieka, a nie komputer pełni dominuj c rol w ka dym przedsi biorstwie.

13 138 Eugenia Fronczak, Małgorzata Michalcewicz Zastosowanie narz dzi eksploracji danych Data Mining do tworzenia modeli zarz dzania wiedz Korzy ci z wdro enia systemów Data Mining w firmie jest znalezienie pewnych reguł dotycz cych funkcjonowania firmy, mo e tak e pomóc z zarz dzaniu relacjami z otoczeniem firmy. Wnioski wynikaj ce z odkrytych zale no ci mog te posłu y do sformułowania oferty bardziej odpowiadaj cej profilowi obsługiwanych klientów, wyj naprzeciw ich zapotrzebowaniom. Omawiana technologia daje mo liwo zdobycia zysków dla firmy b d cych nast pstwem wykrycia nieprawidłowo ci albo nadu y. Wiedza pozyskana w procesie eksploracji danych stanowi jeden z najcenniejszych zasobów i stanowi ródło przewagi konkurencyjnej. Bibliografia [1] Agrawal R., Imielinski T., Swami A.: Mining Association Rules Between Sets of Items in Large Databases, Proc. ACM SIGMOD Conference, p , Washington DC, USA, May [2] Agrawal R., Srikant R.: Mining sequential patterns, In Proc. of the 11th International Conference on Data Engineering, Taipei, Taiwan, [3] Cendrowska J.: PRISM: An algorithm for inducing modular rules. International Journal of Man-Machine Studies 27(4), p , [4] Cios K.J., Pedrycz W., Swiniarsk R.W.: Data Mining Methods for Knowledge Discovery, Kluwer Academic Publisher Group, 2000, ISBN [5] Everitt B.S., Landau S., Leese M.: Cluster analysis, Arnold Publishers, [6] Fayyad U., Piatetsky-Shapiro G., Smyth P.: The KDD Process for Extracting Useful Knowledge from Volumes of Data, Comm. of the ACM, Vol. 39, No. 11, November [7] Fayyad U., Piatetsky-Shapiro G., Smyth P., Uthurusamy R.: Advances in Knowledge Discovery and Data Mining, AAAI/MIT Press, [8] Gawrylczyk A.: Zastosowanie i znaczenie technologii data mining w bankowo ci, Studenckie Koło Naukowe Economicus [9] Gramacki A., Gramacki J.: Nowa metoda grupowania danych koszyka sklepowego, Przegl d Telekomunikacyjny, rocznik LXXXI, nr 6/2008. [10] Han J., Kamber M.: Data Mining: Concepts and Techniques. Morgan Kaufmann, [11] Kozi ski M.: Zamiast kryształowej kuli, PCKurier 5/2003. [12] Langey P., Iba W., Thompson K.: An analysis of Bayesian classifiers. In Proc. of 10 th National Conference on Artificial Intelligence, San Jose, CA, AAAI Press, p , [13] Morawski O.: Hurtownie danych i systemy wspomagania decyzji. [14] Morzy M.: Eksploracja danych przegl d dost pnych metod i dziedzin zastosowa. [15] Ozden B., Ramaswamy S., Silberschatz A.: Cyclic Association Rules, In Proc International Conference on Data Engineering (ICDE'98), p , Orlando, FL, [16] Stanisławski W., Szydłowska E.: Analiza narz dzia Data Mining ORACLE 10g do klasyfikacji komórek nowotworowych w cytometrycznym systemie skaningowym, XII Konferencja PLOUG, Zakopane, Pa dziernik [17] Quinlan J.R.: Induction of decision trees. Machine Learning 1(1), p [18] Quinlan J.R.: C4.5: Programs for machine learning. Morgan Kaufman, 1993.

14 POLSKIE STOWARZYSZENIE ZARZ DZANIA WIEDZ Seria: Studia i Materiały, nr 27, [19] Zakrzewicz M.: "Data Mining i odkrywanie wiedzy w bazach danych", Materialy konf. Polish Oracle Users Group PLOUG'97, s , Zakopane, [20] Zakrzewicz M.: On-Line Data Mining. [21] Analiza predykcyjna z wykorzystaniem SQL Server 2008, cz. I, Baza Wiedzy Microsoft TechNet, 27 czerwca [22] Analiza predykcyjna z wykorzystaniem SQL Server 2008, cz. II, Baza Wiedzy Microsoft TechNet, 27 czerwca [23] Zarz dzanie wiedz w Polsce 2004, Raport badawczy firmy KPMG, Knowledge Management THE GENERAL-PURPOSE OF EXPLORATION DATA TOOLS DATA MINING TO CREATING MODELS OF KNOWLEDGE MANAGEMENT Summary In day of intensive technological progress in enterprises are recorded thousands the different kind of data. Knowledge contained in huge files of data is hidden under figure of standards, trends, regularity and peculiar. However because the people and technics of statistical analysis can t analyse data, it applies the exploration of data technics to draw out the conclusions the helping decission processes, prognosis or prediction with large files of data. The applying of specialized Data Mining tools, makes possible constructing the model, testing the model and applying the model to new data. In this article was introduced the application exploration data tools Data mining to creating models of knowledge management. Keywords: Data Mining, model of knowledge management, exploration data, discovering the new knowledge Eugenia Fronczak, Małgorzata Michalcewicz Katedra Informatyki w Zarz dzaniu Wydział Zarz dzania Uniwersytet Technologiczno-Przyrodniczy im. Jana i J drzeja niadeckich w Bydgoszczy ul. Prof. S. Kaliskiego 7, Bydgoszcz

Nowości w module: BI, w wersji 9.0

Nowości w module: BI, w wersji 9.0 Nowości w module: BI, w wersji 9.0 Copyright 1997-2009 COMARCH S.A. Spis treści Wstęp... 3 Obszary analityczne... 3 1. Nowa kostka CRM... 3 2. Zmiany w obszarze: Księgowość... 4 3. Analizy Data Mining...

Bardziej szczegółowo

Zobacz to na własne oczy. Przyszłość już tu jest dzięki rozwiązaniu Cisco TelePresence.

Zobacz to na własne oczy. Przyszłość już tu jest dzięki rozwiązaniu Cisco TelePresence. Informacje dla kadry zarządzającej Zobacz to na własne oczy. Przyszłość już tu jest dzięki rozwiązaniu Cisco TelePresence. 2010 Cisco i/lub firmy powiązane. Wszelkie prawa zastrzeżone. Ten dokument zawiera

Bardziej szczegółowo

Opis modułu analitycznego do śledzenia rotacji towaru oraz planowania dostaw dla programu WF-Mag dla Windows.

Opis modułu analitycznego do śledzenia rotacji towaru oraz planowania dostaw dla programu WF-Mag dla Windows. Opis modułu analitycznego do śledzenia rotacji towaru oraz planowania dostaw dla programu WF-Mag dla Windows. Zadaniem modułu jest wspomaganie zarządzania magazynem wg. algorytmu just in time, czyli planowanie

Bardziej szczegółowo

Przypomnienie najważniejszych pojęć z baz danych. Co to jest baza danych?

Przypomnienie najważniejszych pojęć z baz danych. Co to jest baza danych? Przypomnienie najważniejszych pojęć z baz danych. Co to jest baza danych? 1 Podstawowe pojęcia: 2 3 4 5 Dana (ang.data) najmniejsza, elementarna jednostka informacji o obiekcie będąca przedmiotem przetwarzania

Bardziej szczegółowo

Spis tre±ci. Przedmowa... Cz ± I

Spis tre±ci. Przedmowa... Cz ± I Przedmowa.................................................... i Cz ± I 1 Czym s hurtownie danych?............................... 3 1.1 Wst p.................................................. 3 1.2 Denicja

Bardziej szczegółowo

Bazy danych. Andrzej Łachwa, UJ, 2013 andrzej.lachwa@uj.edu.pl www.uj.edu.pl/web/zpgk/materialy 9/15

Bazy danych. Andrzej Łachwa, UJ, 2013 andrzej.lachwa@uj.edu.pl www.uj.edu.pl/web/zpgk/materialy 9/15 Bazy danych Andrzej Łachwa, UJ, 2013 andrzej.lachwa@uj.edu.pl www.uj.edu.pl/web/zpgk/materialy 9/15 Przechowywanie danych Wykorzystanie systemu plików, dostępu do plików za pośrednictwem systemu operacyjnego

Bardziej szczegółowo

Zarządzanie projektami. wykład 1 dr inż. Agata Klaus-Rosińska

Zarządzanie projektami. wykład 1 dr inż. Agata Klaus-Rosińska Zarządzanie projektami wykład 1 dr inż. Agata Klaus-Rosińska 1 DEFINICJA PROJEKTU Zbiór działań podejmowanych dla zrealizowania określonego celu i uzyskania konkretnego, wymiernego rezultatu produkt projektu

Bardziej szczegółowo

Platforma do obsługi zdalnej edukacji

Platforma do obsługi zdalnej edukacji Andrzej Krzyżak. Platforma do obsługi zdalnej edukacji Projekt platformy e-learningowej wykonanej w ramach pracy magisterskiej obejmował stworzenie w pełni funkcjonalnego, a zarazem prostego i intuicyjnego

Bardziej szczegółowo

Co to jest Business Intelligence?

Co to jest Business Intelligence? Cykl: Cykl: Czwartki z Business Intelligence Sesja: Co Co to jest Business Intelligence? Bartłomiej Graczyk 2010-05-06 1 Prelegenci cyklu... mariusz@ssas.pl lukasz@ssas.pl grzegorz@ssas.pl bartek@ssas.pl

Bardziej szczegółowo

Chmura obliczeniowa. do przechowywania plików online. Anna Walkowiak CEN Koszalin 2015-10-16

Chmura obliczeniowa. do przechowywania plików online. Anna Walkowiak CEN Koszalin 2015-10-16 Chmura obliczeniowa do przechowywania plików online Anna Walkowiak CEN Koszalin 2015-10-16 1 Chmura, czyli co? Chmura obliczeniowa (cloud computing) to usługa przechowywania i wykorzystywania danych, do

Bardziej szczegółowo

Usługi analityczne budowa kostki analitycznej Część pierwsza.

Usługi analityczne budowa kostki analitycznej Część pierwsza. Usługi analityczne budowa kostki analitycznej Część pierwsza. Wprowadzenie W wielu dziedzinach działalności człowieka analiza zebranych danych jest jednym z najważniejszych mechanizmów podejmowania decyzji.

Bardziej szczegółowo

Jak usprawnić procesy controllingowe w Firmie? Jak nadać im szerszy kontekst? Nowe zastosowania naszych rozwiązań na przykładach.

Jak usprawnić procesy controllingowe w Firmie? Jak nadać im szerszy kontekst? Nowe zastosowania naszych rozwiązań na przykładach. Jak usprawnić procesy controllingowe w Firmie? Jak nadać im szerszy kontekst? Nowe zastosowania naszych rozwiązań na przykładach. 1 PROJEKTY KOSZTOWE 2 PROJEKTY PRZYCHODOWE 3 PODZIAŁ PROJEKTÓW ZE WZGLĘDU

Bardziej szczegółowo

Wpisany przez Piotr Klimek Wtorek, 11 Sierpień 2009 22:36 - Zmieniony Poniedziałek, 03 Czerwiec 2013 03:55

Wpisany przez Piotr Klimek Wtorek, 11 Sierpień 2009 22:36 - Zmieniony Poniedziałek, 03 Czerwiec 2013 03:55 Na początku PHP było przystosowane do programowania proceduralnego. Możliwości obiektowe wprowadzono z językiem C++ i Smalltalk. Obecnie nowy sposób programowania występuje w większości językach wysokopoziomowych

Bardziej szczegółowo

Kontrakt Terytorialny

Kontrakt Terytorialny Kontrakt Terytorialny Monika Piotrowska Departament Koordynacji i WdraŜania Programów Regionalnych Ministerstwo Rozwoju Regionalnego Warszawa, 26 pażdziernika 2012 r. HISTORIA Kontrakty wojewódzkie 2001

Bardziej szczegółowo

OPIS PRZEDMIOTU ZAMÓWIENIA DO ZAPYTANIA KE1/POIG 8.2/13

OPIS PRZEDMIOTU ZAMÓWIENIA DO ZAPYTANIA KE1/POIG 8.2/13 Zapytanie ofertowe - Działanie PO IG 8.2 Warszawa, dnia 13.12.2013 r. OPIS PRZEDMIOTU ZAMÓWIENIA DO ZAPYTANIA KE1/POIG 8.2/13 ISTOTNE INFORMACJE O PROJEKCIE: Celem projektu "Wdrożenie zintegrowanego systemu

Bardziej szczegółowo

Strategia rozwoju kariery zawodowej - Twój scenariusz (program nagrania).

Strategia rozwoju kariery zawodowej - Twój scenariusz (program nagrania). Strategia rozwoju kariery zawodowej - Twój scenariusz (program nagrania). W momencie gdy jesteś studentem lub świeżym absolwentem to znajdujesz się w dobrym momencie, aby rozpocząć planowanie swojej ścieżki

Bardziej szczegółowo

REGULAMIN KONTROLI ZARZĄDCZEJ W MIEJSKO-GMINNYM OŚRODKU POMOCY SPOŁECZNEJ W TOLKMICKU. Postanowienia ogólne

REGULAMIN KONTROLI ZARZĄDCZEJ W MIEJSKO-GMINNYM OŚRODKU POMOCY SPOŁECZNEJ W TOLKMICKU. Postanowienia ogólne Załącznik Nr 1 do Zarządzenie Nr4/2011 Kierownika Miejsko-Gminnego Ośrodka Pomocy Społecznej w Tolkmicku z dnia 20 maja 2011r. REGULAMIN KONTROLI ZARZĄDCZEJ W MIEJSKO-GMINNYM OŚRODKU POMOCY SPOŁECZNEJ

Bardziej szczegółowo

Harmonogramowanie projektów Zarządzanie czasem

Harmonogramowanie projektów Zarządzanie czasem Harmonogramowanie projektów Zarządzanie czasem Zarządzanie czasem TOMASZ ŁUKASZEWSKI INSTYTUT INFORMATYKI W ZARZĄDZANIU Zarządzanie czasem w projekcie /49 Czas w zarządzaniu projektami 1. Pojęcie zarządzania

Bardziej szczegółowo

WEBML I UML JAKO NARZĘDZIA PROJEKTOWANIA APLIKACJI INTERNETOWYCH

WEBML I UML JAKO NARZĘDZIA PROJEKTOWANIA APLIKACJI INTERNETOWYCH śyła Kamil 1 WebML, UML, MDE, aplikacje internetowe WEBML I UML JAKO NARZĘDZIA PROJEKTOWANIA APLIKACJI INTERNETOWYCH Niniejszy artykuł przedstawia najbardziej znaczące róŝnice pomiędzy notacją WebML oraz

Bardziej szczegółowo

Projektowanie bazy danych

Projektowanie bazy danych Projektowanie bazy danych Pierwszą fazą tworzenia projektu bazy danych jest postawienie definicji celu, założeo wstępnych i określenie podstawowych funkcji aplikacji. Każda baza danych jest projektowana

Bardziej szczegółowo

W dobie postępującej digitalizacji zasobów oraz zwiększającej się liczby dostawców i wydawców

W dobie postępującej digitalizacji zasobów oraz zwiększającej się liczby dostawców i wydawców W dobie postępującej digitalizacji zasobów oraz zwiększającej się liczby dostawców i wydawców oferujących dostępy do tytułów elektronicznych, zarówno bibliotekarze jak i użytkownicy coraz większą ilość

Bardziej szczegółowo

Excel w logistyce - czyli jak skrócić czas przygotowywania danych i podnieść efektywność analiz logistycznych

Excel w logistyce - czyli jak skrócić czas przygotowywania danych i podnieść efektywność analiz logistycznych Excel w logistyce - czyli jak skrócić czas przygotowywania danych i podnieść efektywność analiz logistycznych Terminy szkolenia 25-26 sierpień 2016r., Gdańsk - Mercure Gdańsk Posejdon**** 20-21 październik

Bardziej szczegółowo

Politechnika Warszawska Wydział Matematyki i Nauk Informacyjnych ul. Koszykowa 75, 00-662 Warszawa

Politechnika Warszawska Wydział Matematyki i Nauk Informacyjnych ul. Koszykowa 75, 00-662 Warszawa Zamawiający: Wydział Matematyki i Nauk Informacyjnych Politechniki Warszawskiej 00-662 Warszawa, ul. Koszykowa 75 Przedmiot zamówienia: Produkcja Interaktywnej gry matematycznej Nr postępowania: WMiNI-39/44/AM/13

Bardziej szczegółowo

Segmentacja i plasowanie dr Grzegorz Mazurek. Wybór rynku docelowego. Istota segmentacji

Segmentacja i plasowanie dr Grzegorz Mazurek. Wybór rynku docelowego. Istota segmentacji Segmentacja i plasowanie dr Grzegorz Mazurek Wybór rynku docelowego Istota segmentacji Do rzadkości należy sytuacja, w której jedno przedsiębiorstwo odnosi znaczne sukcesy w sprzedaży wszystkiego dla wszystkich

Bardziej szczegółowo

PROGRAM ZAPEWNIENIA I POPRAWY JAKOŚCI AUDYTU WEWNĘTRZNEGO

PROGRAM ZAPEWNIENIA I POPRAWY JAKOŚCI AUDYTU WEWNĘTRZNEGO Załącznik nr 4 do Zarządzenia Nr 103/2012 Burmistrza Miasta i Gminy Skawina z dnia 19 czerwca 2012 r. PROGRAM ZAPEWNIENIA I POPRAWY JAKOŚCI AUDYTU WEWNĘTRZNEGO MÓDL SIĘ TAK, JAKBY WSZYSTKO ZALEśAŁO OD

Bardziej szczegółowo

ZARZĄDZANIE PROJEKTAMI dr Magdalena Klimczuk-Kochańska

ZARZĄDZANIE PROJEKTAMI dr Magdalena Klimczuk-Kochańska ZARZĄDZANIE PROJEKTAMI dr Magdalena Klimczuk-Kochańska 1. WPROWADZENIE DO ZARZĄDZANIA PROJEKTAMI 1 RODZAJE DZIAŁAŃ REALIZOWANYCH W PRZEDSIĘBIORSTWIE CHARAKTERYSTYKA I RODZAJE DZIAŁAŃ W PRZEDSIĘBIORSTWIE

Bardziej szczegółowo

Motywuj świadomie. Przez kompetencje.

Motywuj świadomie. Przez kompetencje. styczeń 2015 Motywuj świadomie. Przez kompetencje. Jak wykorzystać gamifikację i analitykę HR do lepszego zarządzania zasobami ludzkimi w organizacji? 2 Jak skutecznie motywować? Pracownik, który nie ma

Bardziej szczegółowo

DOTACJE NA INNOWACJE ZAPYTANIE OFERTOWE

DOTACJE NA INNOWACJE ZAPYTANIE OFERTOWE Rentis S.A. ul. Krakowska 204 02-219 Warszawa Warszawa, dnia 20.10.2014 r. ZAPYTANIE OFERTOWE W związku z realizacją projektu pn. Wdrożenie systemu B2B pomiędzy Global Rent a Car S.A. i jego partnerami

Bardziej szczegółowo

Implementacja metod eksploracji danych - Oracle Data Mining

Implementacja metod eksploracji danych - Oracle Data Mining Implementacja metod eksploracji danych - Oracle Data Mining 395 Plan rozdziału 396 Wprowadzenie do eksploracji danych Architektura Oracle Data Mining Możliwości Oracle Data Mining Etapy procesu eksploracji

Bardziej szczegółowo

Program szkoleniowy Efektywni50+ Moduł III Standardy wymiany danych

Program szkoleniowy Efektywni50+ Moduł III Standardy wymiany danych Program szkoleniowy Efektywni50+ Moduł III 1 Wprowadzenie do zagadnienia wymiany dokumentów. Lekcja rozpoczynająca moduł poświęcony standardom wymiany danych. Wprowadzenie do zagadnień wymiany danych w

Bardziej szczegółowo

DOTACJE NA INNOWACJE. Zapytanie ofertowe

DOTACJE NA INNOWACJE. Zapytanie ofertowe Wrocław, dnia 03.01.2013 r. Nitrotek Sp. z o.o. ul. Krynicka 40/7 50-555 Wrocław Zapytanie ofertowe W związku z realizacją projektu Wdrożenie nowoczesnego systemu B2B automatyzującego współpracę Nitrotek

Bardziej szczegółowo

PREZENTACJA SYSTEMU BUSINESS INTELLIGENCE TARGIT

PREZENTACJA SYSTEMU BUSINESS INTELLIGENCE TARGIT PREZENTACJA SYSTEMU BUSINESS INTELLIGENCE TARGIT Architektura i struktura funkcjonalna systemu TARGIT TARGIT Business Analytics BI System do samodzielnego tworzenia analiz, kokpitów raportów i ostrzeżeń

Bardziej szczegółowo

System do kontroli i analizy wydawanych posiłków

System do kontroli i analizy wydawanych posiłków System do kontroli i analizy wydawanych posiłków K jak KORZYŚCI C jak CEL W odpowiedzi na liczne pytania odnośnie rozwiązania umożliwiającego elektroniczną ewidencję wydawanych posiłków firma PControl

Bardziej szczegółowo

Edycja geometrii w Solid Edge ST

Edycja geometrii w Solid Edge ST Edycja geometrii w Solid Edge ST Artykuł pt.: " Czym jest Technologia Synchroniczna a czym nie jest?" zwracał kilkukrotnie uwagę na fakt, że nie należy mylić pojęć modelowania bezpośredniego i edycji bezpośredniej.

Bardziej szczegółowo

epuap Ogólna instrukcja organizacyjna kroków dla realizacji integracji

epuap Ogólna instrukcja organizacyjna kroków dla realizacji integracji epuap Ogólna instrukcja organizacyjna kroków dla realizacji integracji Projekt współfinansowany ze środków Europejskiego Funduszu Rozwoju Regionalnego w ramach Programu Operacyjnego Innowacyjna Gospodarka

Bardziej szczegółowo

Laboratorium z przedmiotu MED. Lab1 - wprowadzenie

Laboratorium z przedmiotu MED. Lab1 - wprowadzenie Laboratorium z przedmiotu MED Lab1 - wprowadzenie Grzegorz Protaziuk Konsultacje: środa godz. 11.00 12.00 pok. 301 Gmach EiTI email: gprotazi@elka.pw.edu.pl (w temacie mejla proszę dodać frazę MED) www.ii.pw.edu.pl/~gprotazi

Bardziej szczegółowo

Nadzór nad systemami zarządzania w transporcie kolejowym

Nadzór nad systemami zarządzania w transporcie kolejowym Nadzór nad systemami zarządzania w transporcie kolejowym W ciągu ostatnich lat Prezes Urzędu Transportu Kolejowego zintensyfikował działania nadzorcze w zakresie bezpieczeństwa ruchu kolejowego w Polsce,

Bardziej szczegółowo

Tomice, dnia 15 lutego 2012 r.

Tomice, dnia 15 lutego 2012 r. WSPÓLNA METODA OCENY CAF 2006 W URZĘDZIE GMINY TOMICE PLAN DOSKONALENIA Sporządził: Ryszard Góralczyk Koordynator CAF Cel dokumentu: Przekazanie pracownikom i klientom Urzędu informacji o przyjętym planie

Bardziej szczegółowo

PROCEDURA OCENY RYZYKA ZAWODOWEGO. w Urzędzie Gminy Mściwojów

PROCEDURA OCENY RYZYKA ZAWODOWEGO. w Urzędzie Gminy Mściwojów I. Postanowienia ogólne 1.Cel PROCEDURA OCENY RYZYKA ZAWODOWEGO w Urzędzie Gminy Mściwojów Przeprowadzenie oceny ryzyka zawodowego ma na celu: Załącznik A Zarządzenia oceny ryzyka zawodowego monitorowanie

Bardziej szczegółowo

Dziedziczenie : Dziedziczenie to nic innego jak definiowanie nowych klas w oparciu o już istniejące.

Dziedziczenie : Dziedziczenie to nic innego jak definiowanie nowych klas w oparciu o już istniejące. Programowanie II prowadzący: Adam Dudek Lista nr 8 Dziedziczenie : Dziedziczenie to nic innego jak definiowanie nowych klas w oparciu o już istniejące. Jest to najważniejsza cecha świadcząca o sile programowania

Bardziej szczegółowo

KONCEPCJA NAUCZANIA PRZEDMIOTU RACHUNKOWOŚĆ SKOMPUTERYZOWANA" NA WYDZIALE ZARZĄDZANIA UNIWERSYTETU GDAŃSKIEGO

KONCEPCJA NAUCZANIA PRZEDMIOTU RACHUNKOWOŚĆ SKOMPUTERYZOWANA NA WYDZIALE ZARZĄDZANIA UNIWERSYTETU GDAŃSKIEGO KONCEPCJA NAUCZANIA PRZEDMIOTU RACHUNKOWOŚĆ SKOMPUTERYZOWANA" NA WYDZIALE ZARZĄDZANIA UNIWERSYTETU GDAŃSKIEGO Grzegorz Bucior Uniwersytet Gdański, Katedra Rachunkowości 1. Wprowadzenie Rachunkowość przedsiębiorstwa

Bardziej szczegółowo

Agenda. Charakterystyka Business Intelligence. Architektura systemu. Prezentacja funkcjonalności. Podsumowanie

Agenda. Charakterystyka Business Intelligence. Architektura systemu. Prezentacja funkcjonalności. Podsumowanie Agenda Wstęp Charakterystyka Business Intelligence Architektura systemu Prezentacja funkcjonalności Podsumowanie Business Intelligence BI to zaawansowane technologicznie narzędzie informatyczne służą ce

Bardziej szczegółowo

ZASADY REKLAMOWANIA USŁUG BANKOWYCH

ZASADY REKLAMOWANIA USŁUG BANKOWYCH Załącznik do uchwały KNF z dnia 2 października 2008 r. ZASADY REKLAMOWANIA USŁUG BANKOWYCH Reklama i informacja reklamowa jest istotnym instrumentem komunikowania się z obecnymi jak i potencjalnymi klientami

Bardziej szczegółowo

Zalew danych skąd się biorą dane? są generowane przez banki, ubezpieczalnie, sieci handlowe, dane eksperymentalne, Web, tekst, e_handel

Zalew danych skąd się biorą dane? są generowane przez banki, ubezpieczalnie, sieci handlowe, dane eksperymentalne, Web, tekst, e_handel według przewidywań internetowego magazynu ZDNET News z 8 lutego 2001 roku eksploracja danych (ang. data mining ) będzie jednym z najbardziej rewolucyjnych osiągnięć następnej dekady. Rzeczywiście MIT Technology

Bardziej szczegółowo

http://www.microsoft.com/poland/technet/article/art0087_01.mspx

http://www.microsoft.com/poland/technet/article/art0087_01.mspx Strona 1 z 5 Kliknij tutaj, aby zainstalować program Silverlight Polska Zmień Wszystkie witryny firmy Microsoft Szukaj w witrynach Microsoft.com Prześlij zapytanie Strona główna TechNet Produkty i technologie

Bardziej szczegółowo

Microsoft Management Console

Microsoft Management Console Microsoft Management Console Konsola zarządzania jest narzędziem pozwalającym w prosty sposób konfigurować i kontrolować pracę praktycznie wszystkich mechanizmów i usług dostępnych w sieci Microsoft. Co

Bardziej szczegółowo

Temat: Co to jest optymalizacja? Maksymalizacja objętości naczynia prostopadłościennego za pomocą arkusza kalkulacyjngo.

Temat: Co to jest optymalizacja? Maksymalizacja objętości naczynia prostopadłościennego za pomocą arkusza kalkulacyjngo. Konspekt lekcji Przedmiot: Informatyka Typ szkoły: Gimnazjum Klasa: II Nr programu nauczania: DKW-4014-87/99 Czas trwania zajęć: 90min Temat: Co to jest optymalizacja? Maksymalizacja objętości naczynia

Bardziej szczegółowo

Zaproszenie Usługa realizowana w ramach Projektu Polskiej Agencji Rozwoju Przedsiębiorczości Zarządzanie kompetencjami w MSP

Zaproszenie Usługa realizowana w ramach Projektu Polskiej Agencji Rozwoju Przedsiębiorczości Zarządzanie kompetencjami w MSP Zaproszenie Usługa realizowana w ramach Projektu Polskiej Agencji Rozwoju Przedsiębiorczości Zarządzanie kompetencjami w MSP Szanowni Państwo, Mam przyjemność zaprosić Państwa firmę do udziału w Usłudze

Bardziej szczegółowo

Gospodarowanie mieniem Województwa

Gospodarowanie mieniem Województwa Projekt pn. Budowa zintegrowanego systemu informatycznego do zarządzania nieruchomościami Województwa Małopolskiego i wojewódzkich jednostek organizacyjnych 1/13 Gospodarowanie mieniem Województwa Zgodnie

Bardziej szczegółowo

Program Operacyjny Innowacyjna Gospodarka

Program Operacyjny Innowacyjna Gospodarka Program Operacyjny Innowacyjna Gospodarka Budowa elektronicznej administracji w ramach POIG Konferencja podsumowuj realizacj projektu pn. E-administracja warunkiem rozwoju Polski. Wzrost konkurencyjno

Bardziej szczegółowo

DOKUMENT INFORMACYJNY COMARCH BUSINESS INTELLIGENCE:

DOKUMENT INFORMACYJNY COMARCH BUSINESS INTELLIGENCE: DOKUMENT INFORMACYJNY COMARCH BUSINESS INTELLIGENCE: JAKIE PROBLEMY ROZWIĄZUJE BI 1 S t r o n a WSTĘP Niniejszy dokument to zbiór podstawowych problemów, z jakimi musi zmagać się przedsiębiorca, analityk,

Bardziej szczegółowo

Wsparcie sektora nauki i innowacyjnych przedsiębiorstw w latach 2014-2020 - załoŝenia krajowego programu operacyjnego Marcin Łata Dyrektor Departamentu Zarządzania Programami Konkurencyjności i Innowacyjności

Bardziej szczegółowo

Instrukcja Obsługi STRONA PODMIOTOWA BIP

Instrukcja Obsługi STRONA PODMIOTOWA BIP Instrukcja Obsługi STRONA PODMIOTOWA BIP Elementy strony podmiotowej BIP: Strona podmiotowa Biuletynu Informacji Publicznej podzielona jest na trzy części: Nagłówek strony głównej Stopka strony podmiotowej

Bardziej szczegółowo

BADANIE RYNKU. Prof. dr hab. Andrzej Pomykalski. Katedra Innowacji i Marketingu

BADANIE RYNKU. Prof. dr hab. Andrzej Pomykalski. Katedra Innowacji i Marketingu BADANIE RYNKU Prof. dr hab. Andrzej Pomykalski Katedra Innowacji i Marketingu LUDZIE MUSZĄ KUPOWAĆ. ale mogą wybierać Fazy procesu zarządzania marketingowego zawierają: Badanie rynku Analiza rynku docelowego

Bardziej szczegółowo

Opis zmian funkcjonalności platformy E-GIODO wprowadzonych w związku z wprowadzeniem możliwości wysyłania wniosków bez podpisu elektronicznego

Opis zmian funkcjonalności platformy E-GIODO wprowadzonych w związku z wprowadzeniem możliwości wysyłania wniosków bez podpisu elektronicznego Opis zmian funkcjonalności platformy E-GIODO wprowadzonych w związku z wprowadzeniem możliwości wysyłania wniosków bez podpisu elektronicznego Wstęp. Dodanie funkcjonalności wysyłania wniosków bez podpisów

Bardziej szczegółowo

Case Study Rozwiązania DBMS dla windykacji

Case Study Rozwiązania DBMS dla windykacji Case Study Rozwiązania DBMS dla windykacji Szanowni Państwo Obecne 90% zasobów danych w przedsiębiorstwach powstało w ciągu ostatnich dwóch latach, ale tylko 1% z posiadanych danych jest wykorzystywanych

Bardziej szczegółowo

31-052 Kraków ul. Miodowa 41 tel./fax: (012) 426 20 60 e-mail: redakcja@rynekpracy.pl

31-052 Kraków ul. Miodowa 41 tel./fax: (012) 426 20 60 e-mail: redakcja@rynekpracy.pl Rynek informatyków w województwie kujawsko-pomorskim o f e r t a s p r z e d a ż y r a p o r t u KRAKÓW 2009 31-052 Kraków ul. Miodowa 41 tel./fax: (012) 426 20 60 e-mail: redakcja@rynekpracy.pl www.sedlak.pl

Bardziej szczegółowo

Spis treści 1. Wstęp 2. Projektowanie systemów informatycznych

Spis treści 1. Wstęp 2. Projektowanie systemów informatycznych Spis treści 1. Wstęp... 9 1.1. Inżynieria oprogramowania jako proces... 10 1.1.1. Algorytm... 11 1.2. Programowanie w językach wysokiego poziomu... 11 1.3. Obiektowe podejście do programowania... 12 1.3.1.

Bardziej szczegółowo

Podstawa programowa kształcenia ogólnego informatyki w gimnazjum

Podstawa programowa kształcenia ogólnego informatyki w gimnazjum 1 Podstawa programowa kształcenia ogólnego informatyki w gimnazjum Obowiązująca podstawa programowa nauczania informatyki w gimnazjum, w odniesieniu do propozycji realizacji tych zagadnień w podręcznikach

Bardziej szczegółowo

Charakterystyka systemów plików

Charakterystyka systemów plików Charakterystyka systemów plików Systemy plików są rozwijane wraz z systemami operacyjnymi. Windows wspiera systemy FAT oraz system NTFS. Różnią się one sposobem przechowywania informacji o plikach, ale

Bardziej szczegółowo

PROGMEDICA System Zarządzania zgodnością w Szpitalu WOLTERS KLUWER DLA SZPITALI

PROGMEDICA System Zarządzania zgodnością w Szpitalu WOLTERS KLUWER DLA SZPITALI PROGMEDICA System Zarządzania zgodnością w Szpitalu WOLTERS KLUWER DLA SZPITALI lider rozwiązań dla rynku zdrowia Wśród największych profesjonalnych wydawnictw na świecie Ponad 40 krajów Europa, Ameryka

Bardziej szczegółowo

Konferencja pt.: "Zielona administracja za sprawą EMAS Ministerstwo Środowiska, 25 lutego 2015 r. e-remasjako narzędzie zielonej administracji

Konferencja pt.: Zielona administracja za sprawą EMAS Ministerstwo Środowiska, 25 lutego 2015 r. e-remasjako narzędzie zielonej administracji Konferencja pt.: "Zielona administracja za sprawą EMAS Ministerstwo Środowiska, 25 lutego 2015 r. e-remasjako narzędzie zielonej administracji 1 Wdrażanie zrównoważonego rozwoju wymaga integracji procesu

Bardziej szczegółowo

KRYTERIA DOSTĘPU. Działanie 2.1,,E-usługi dla Mazowsza (typ projektu: e-administracja, e-zdrowie)

KRYTERIA DOSTĘPU. Działanie 2.1,,E-usługi dla Mazowsza (typ projektu: e-administracja, e-zdrowie) Załącznik nr 1 do Uchwały nr / II / 2015 Komitetu Monitorującego Regionalny Program Operacyjny Województwa Mazowieckiego na lata 201-2020 KRYTERIA DOSTĘPU Działanie 2.1,,E-usługi dla Mazowsza (typ projektu:

Bardziej szczegółowo

POMOC PSYCHOLOGICZNO-PEDAGOGICZNA Z OPERONEM. Vademecum doradztwa edukacyjno-zawodowego. Akademia

POMOC PSYCHOLOGICZNO-PEDAGOGICZNA Z OPERONEM. Vademecum doradztwa edukacyjno-zawodowego. Akademia POMOC PSYCHOLOGICZNO-PEDAGOGICZNA Z OPERONEM PLANOWANIE DZIAŁAŃ Określanie drogi zawodowej to szereg różnych decyzji. Dobrze zaplanowana droga pozwala dojechać do określonego miejsca w sposób, który Ci

Bardziej szczegółowo

Infrastruktura krytyczna dużych aglomeracji miejskich wyznaczanie kierunków i diagnozowanie ograniczeńjako wynik szacowania ryzyka

Infrastruktura krytyczna dużych aglomeracji miejskich wyznaczanie kierunków i diagnozowanie ograniczeńjako wynik szacowania ryzyka Infrastruktura krytyczna dużych aglomeracji miejskich wyznaczanie kierunków i diagnozowanie ograniczeńjako wynik szacowania ryzyka mł. insp. dr hab. Agata Tyburska Zakład Zarządzania Kryzysowego Wyższa

Bardziej szczegółowo

KOMISJA WSPÓLNOT EUROPEJSKICH. Wniosek DECYZJA RADY

KOMISJA WSPÓLNOT EUROPEJSKICH. Wniosek DECYZJA RADY KOMISJA WSPÓLNOT EUROPEJSKICH Bruksela, dnia 13.12.2006 KOM(2006) 796 wersja ostateczna Wniosek DECYZJA RADY w sprawie przedłużenia okresu stosowania decyzji 2000/91/WE upoważniającej Królestwo Danii i

Bardziej szczegółowo

Efektywna strategia sprzedaży

Efektywna strategia sprzedaży Efektywna strategia sprzedaży F irmy wciąż poszukują metod budowania przewagi rynkowej. Jednym z kluczowych obszarów takiej przewagi jest efektywne zarządzanie siłami sprzedaży. Jak pokazują wyniki badania

Bardziej szczegółowo

Sieci komputerowe cel

Sieci komputerowe cel Sieci komputerowe cel współuŝytkowanie programów i plików; współuŝytkowanie innych zasobów: drukarek, ploterów, pamięci masowych, itd. współuŝytkowanie baz danych; ograniczenie wydatków na zakup stacji

Bardziej szczegółowo

Sprawozdanie z działalności Rady Nadzorczej TESGAS S.A. w 2008 roku.

Sprawozdanie z działalności Rady Nadzorczej TESGAS S.A. w 2008 roku. Sprawozdanie z działalności Rady Nadzorczej TESGAS S.A. w 2008 roku. Rada Nadzorcza zgodnie z treścią Statutu Spółki składa się od 5 do 9 Członków powoływanych przez Walne Zgromadzenie w głosowaniu tajnym.

Bardziej szczegółowo

ARCHITEKTURA INSTYTUCJI JAKO NARZĘDZIE UŁATWIAJĄCE ZARZĄDZANIE DANYMI

ARCHITEKTURA INSTYTUCJI JAKO NARZĘDZIE UŁATWIAJĄCE ZARZĄDZANIE DANYMI ARCHITEKTURA INSTYTUCJI JAKO NARZĘDZIE UŁATWIAJĄCE ZARZĄDZANIE DANYMI XVIII posiedzenie Rady Infrastruktury Informacji Przestrzennej ZARZĄDZANIE DANYMI PRZESTRZENNYMI UKIERUNKOWANE NA UŻYTKOWNIKA agenda

Bardziej szczegółowo

Postanowienia ogólne. Usługodawcy oraz prawa do Witryn internetowych lub Aplikacji internetowych

Postanowienia ogólne. Usługodawcy oraz prawa do Witryn internetowych lub Aplikacji internetowych Wyciąg z Uchwały Rady Badania nr 455 z 21 listopada 2012 --------------------------------------------------------------------------------------------------------------- Uchwała o poszerzeniu możliwości

Bardziej szczegółowo

Czy przedsiêbiorstwo, którym zarz¹dzasz, intensywnie siê rozwija, ma wiele oddzia³ów lub kolejne lokalizacje w planach?

Czy przedsiêbiorstwo, którym zarz¹dzasz, intensywnie siê rozwija, ma wiele oddzia³ów lub kolejne lokalizacje w planach? Czy przedsiêbiorstwo, którym zarz¹dzasz, intensywnie siê rozwija, ma wiele oddzia³ów lub kolejne lokalizacje w planach? Czy masz niedosyt informacji niezbêdnych do tego, by mieæ pe³en komfort w podejmowaniu

Bardziej szczegółowo

JĘZYK UML JAKO NARZĘDZIE MODELOWANIA PROCESU PROJEKTOWO-KONSTRUKCYJNEGO

JĘZYK UML JAKO NARZĘDZIE MODELOWANIA PROCESU PROJEKTOWO-KONSTRUKCYJNEGO JĘZYK UML JAKO NARZĘDZIE MODELOWANIA PROCESU PROJEKTOWO-KONSTRUKCYJNEGO Andrzej BAIER, Tomasz R. LUBCZYŃSKI Streszczenie: W ostatnich latach można zaobserwować dynamiczny rozwój analizy zorientowanej obiektowo.

Bardziej szczegółowo

Zaproszenie. Ocena efektywności projektów inwestycyjnych. Modelowanie procesów EFI. Jerzy T. Skrzypek Kraków 2013 Jerzy T.

Zaproszenie. Ocena efektywności projektów inwestycyjnych. Modelowanie procesów EFI. Jerzy T. Skrzypek Kraków 2013 Jerzy T. 1 1 Ocena efektywności projektów inwestycyjnych Ocena efektywności projektów inwestycyjnych Jerzy T. Skrzypek Kraków 2013 Jerzy T. Skrzypek MODEL NAJLEPSZYCH PRAKTYK SYMULACJE KOMPUTEROWE Kraków 2011 Zaproszenie

Bardziej szczegółowo

Automatyzacja procesu publikowania w bibliotece cyfrowej

Automatyzacja procesu publikowania w bibliotece cyfrowej Automatyzacja procesu publikowania w bibliotece cyfrowej Jakub Bajer Biblioteka Politechniki Poznańskiej Krzysztof Ober Poznańska Fundacja Bibliotek Naukowych Plan prezentacji 1. Cel prezentacji 2. Proces

Bardziej szczegółowo

ZARZĄDZENIE NR 82/15 WÓJTA GMINY WOLA KRZYSZTOPORSKA. z dnia 21 lipca 2015 r.

ZARZĄDZENIE NR 82/15 WÓJTA GMINY WOLA KRZYSZTOPORSKA. z dnia 21 lipca 2015 r. ZARZĄDZENIE NR 82/15 WÓJTA GMINY WOLA KRZYSZTOPORSKA w sprawie wprowadzenia regulaminu korzystania z systemu e-podatki w Urzędzie Gminy Wola Krzysztoporska Na podstawie art. 31 oraz art. 33 ust. 3 ustawy

Bardziej szczegółowo

InsERT GT Własne COM 1.0

InsERT GT Własne COM 1.0 InsERT GT Własne COM 1.0 Autor: Jarosław Kolasa, InsERT Wstęp... 2 Dołączanie zestawień własnych do systemu InsERT GT... 2 Sposób współpracy rozszerzeń z systemem InsERT GT... 2 Rozszerzenia standardowe

Bardziej szczegółowo

elektroniczna Platforma Usług Administracji Publicznej

elektroniczna Platforma Usług Administracji Publicznej elektroniczna Platforma Usług Administracji Publicznej A Instrukcja użytkownika Instalacja usług wersja 1.1 Ministerstwo Spraw Wewnętrznych i Administracji ul. Batorego 5, 02-591 Warszawa www.epuap.gov.pl

Bardziej szczegółowo

1. Planowanie strategiczne. 4. Monitorowanie i ewaluacja. 3. Wdrażanie polityk. 2. Tworzenie polityk. Wybrane dziedziny. Ochrona klimatu i atmosfery

1. Planowanie strategiczne. 4. Monitorowanie i ewaluacja. 3. Wdrażanie polityk. 2. Tworzenie polityk. Wybrane dziedziny. Ochrona klimatu i atmosfery Usprawnienie: Wprowadzenie Procedury planowania i raportowania strategicznego i operacyjnego w resortach Usprawnienie w cyklu polityk publicznych 4. Monitorowanie i ewaluacja 1. Planowanie strategiczne

Bardziej szczegółowo

POLITYKA PRYWATNOŚCI

POLITYKA PRYWATNOŚCI POLITYKA PRYWATNOŚCI stosowanie do przepisów ustawy z dnia 18 lipca 2002 roku o świadczeniu usług drogą elektroniczną (Dz. U. z 2013 r., poz. 1422 ze zm.) oraz ustawy z dnia 29 sierpnia 1997 roku o ochronie

Bardziej szczegółowo

Lista standardów w układzie modułowym

Lista standardów w układzie modułowym Załącznik nr 1. Lista standardów w układzie modułowym Lista standardów w układzie modułowym Standardy są pogrupowane w sześć tematycznych modułów: 1. Identyfikacja i Analiza Potrzeb Szkoleniowych (IATN).

Bardziej szczegółowo

ZMIANY W KRYTERIACH WYBORU FINANSOWANYCH OPERACJI PO IG

ZMIANY W KRYTERIACH WYBORU FINANSOWANYCH OPERACJI PO IG ZMIANY W KRYTERIACH WYBORU FINANSOWANYCH OPERACJI PO IG LP Działanie Poprzednie brzmienie Aktualne brzmienie 1. 1.4-4.1 Projekt obejmuje badania przemysłowe i/lub prace rozwojowe oraz zakłada wdroŝenie

Bardziej szczegółowo

Systemy wspierające sprzedaż i marketing w logistyce. Iwo Baszkowski Wojtek Dubicki

Systemy wspierające sprzedaż i marketing w logistyce. Iwo Baszkowski Wojtek Dubicki Systemy wspierające sprzedaż i marketing w logistyce Iwo Baszkowski Wojtek Dubicki Sprzedaż SEVEN Subiekt GT nowoczesny i przyjazny dla użytkownika system obsługi sprzedaży skierowany jest do małych i

Bardziej szczegółowo

Wprowadzenie do zarządzania procesami biznesowymi czym są procesy biznesowe: Part 1

Wprowadzenie do zarządzania procesami biznesowymi czym są procesy biznesowe: Part 1 Wprowadzenie do zarządzania procesami biznesowymi czym są procesy biznesowe: Part 1 Listopad 2012 Organizacja funkcjonalna Dotychczas na organizację patrzono z perspektywy realizowanych funkcji. Zarząd

Bardziej szczegółowo

Opteamum korzyści. Aktualnie poszukujemy kandydatów na stanowisko: Programista ASP.NET MVC / WCF Nr ref. PROGRAMISTA ASP.NET/DRP/2014.

Opteamum korzyści. Aktualnie poszukujemy kandydatów na stanowisko: Programista ASP.NET MVC / WCF Nr ref. PROGRAMISTA ASP.NET/DRP/2014. Programista ASP.NET MVC / WCF Nr ref. PROGRAMISTA ASP.NET/DRP/2014. Twoja praca na tym stanowisku będzie polegała na: Rozwijaniu wielowarstwowych, rozproszonych systemów informatycznych z wykorzystaniem

Bardziej szczegółowo

Wprowadzam w Urzędzie Marszałkowskim Województwa Małopolskiego Kartę Audytu Wewnętrznego, stanowiącą załącznik do niniejszego Zarządzenia.

Wprowadzam w Urzędzie Marszałkowskim Województwa Małopolskiego Kartę Audytu Wewnętrznego, stanowiącą załącznik do niniejszego Zarządzenia. ZARZĄDZENIE Nr 44 /05 MARSZAŁKA WOJEWÓDZTWA MAŁOPOLSKIEGO z dnia 5 maja 2005 r. w sprawie wprowadzenia w Urzędzie Marszałkowskim Województwa Małopolskiego w Krakowie Karty Audytu Wewnętrznego Data utworzenia

Bardziej szczegółowo

INSTRUKCJA DLA UCZESTNIKÓW ZAWODÓW ZADANIA

INSTRUKCJA DLA UCZESTNIKÓW ZAWODÓW ZADANIA INSTRUKCJA DLA UCZESTNIKÓW ZAWODÓW 1. Zawody III stopnia trwają 150 min. 2. Arkusz egzaminacyjny składa się z 2 pytań otwartych o charakterze problemowym, 1 pytania opisowego i 1 mini testu składającego

Bardziej szczegółowo

Problemy w realizacji umów o dofinansowanie SPO WKP 2.3, 2.2.1, Dzia anie 4.4 PO IG

Problemy w realizacji umów o dofinansowanie SPO WKP 2.3, 2.2.1, Dzia anie 4.4 PO IG 2009 Problemy w realizacji umów o dofinansowanie SPO WKP 2.3, 2.2.1, Dzia anie 4.4 PO IG Jakub Moskal Warszawa, 30 czerwca 2009 r. Kontrola realizacji wska ników produktu Wska niki produktu musz zosta

Bardziej szczegółowo

Informacje o omawianym programie. Założenia programu omawianego w przykładzie

Informacje o omawianym programie. Założenia programu omawianego w przykładzie 1 Komunikacja człowiek - komputer Przedmiot: Komunikacja człowiek - komputer Ćwiczenie: 3 Temat dwiczenia: Projektowanie interfejsu programu typu bazodanowego dr Artur Bartoszewski CZĘŚD I analiza przykładowego

Bardziej szczegółowo

Lublin, 19.07.2013. Zapytanie ofertowe

Lublin, 19.07.2013. Zapytanie ofertowe Lublin, 19.07.2013 Zapytanie ofertowe na wyłonienie wykonawcy/dostawcy 1. Wartości niematerialne i prawne a) System zarządzania magazynem WMS Asseco SAFO, 2. usług informatycznych i technicznych związanych

Bardziej szczegółowo

INSTRUKCJA WebPTB 1.0

INSTRUKCJA WebPTB 1.0 INSTRUKCJA WebPTB 1.0 Program WebPTB wspomaga zarządzaniem budynkami w kontekście ich bezpieczeństwa fizycznego. Zawiera zestawienie budynków wraz z ich cechami fizycznymi, które mają wpływ na bezpieczeństwo

Bardziej szczegółowo

Oferta. Przedmiot: System odczytu, transmisji i archiwizacji danych z ciepłomierzy i wodomierzy.

Oferta. Przedmiot: System odczytu, transmisji i archiwizacji danych z ciepłomierzy i wodomierzy. Oferent: FlowService Adresat: Oferta Przedmiot: System odczytu, transmisji i archiwizacji danych z ciepłomierzy i wodomierzy. Warszawa, lipiec 2006 Wstęp Przedmiotem niniejszej oferty jest wdrożenie systemu

Bardziej szczegółowo

Bolączki międzynarodowego systemu - jak z tego korzystać?

Bolączki międzynarodowego systemu - jak z tego korzystać? Bolączki międzynarodowego systemu - jak z tego korzystać? - zdalne badanie na użytkownikach Case study: Miles and More O Miles&More Zrobiliśmy badanie za pomocą Uxerii Miles&More to system lojalnościowy

Bardziej szczegółowo

Objaśnienia do Wieloletniej Prognozy Finansowej na lata 2011-2017

Objaśnienia do Wieloletniej Prognozy Finansowej na lata 2011-2017 Załącznik Nr 2 do uchwały Nr V/33/11 Rady Gminy Wilczyn z dnia 21 lutego 2011 r. w sprawie uchwalenia Wieloletniej Prognozy Finansowej na lata 2011-2017 Objaśnienia do Wieloletniej Prognozy Finansowej

Bardziej szczegółowo

Wpływ jakości świadczonych usług na doświadczenia abonenta w cyfrowym domu. Janusz Kilon

Wpływ jakości świadczonych usług na doświadczenia abonenta w cyfrowym domu. Janusz Kilon Wpływ jakości świadczonych usług na doświadczenia abonenta w cyfrowym domu Janusz Kilon Agenda Istotność zapewnienia wysokiej jakości świadczonych usług Czym jest wysoka jakość świadczonych usług Narzędzia

Bardziej szczegółowo

Instrument oceny 360 stopni zgodny z naukową metodologią, to jest możliwe! Analiza przypadku

Instrument oceny 360 stopni zgodny z naukową metodologią, to jest możliwe! Analiza przypadku Instrument oceny 360 stopni zgodny z naukową metodologią, to jest możliwe! Analiza przypadku dr Victor Wekselberg, Senior Konsultant Mirosława Achinger, Prezes Mispol SA Plan wystąpienia 1. Czym jest kwestionariusz

Bardziej szczegółowo

Wprowadzenie do technologii informacyjnej.

Wprowadzenie do technologii informacyjnej. Wprowadzenie do technologii informacyjnej. Data mining i jego biznesowe zastosowania dr Tomasz Jach Definicje Eksploracja danych polega na torturowaniu danych tak długo, aż zaczną zeznawać. Eksploracja

Bardziej szczegółowo

ZARZĄDZENIE NR 243/2007 PREZYDENTA MIASTA KRAKOWA Z DNIA 7 lutego 2007 roku

ZARZĄDZENIE NR 243/2007 PREZYDENTA MIASTA KRAKOWA Z DNIA 7 lutego 2007 roku ZARZĄDZENIE NR 243/2007 PREZYDENTA MIASTA KRAKOWA Z DNIA 7 lutego 2007 roku w sprawie wprowadzenia Polityki Bezpieczeństwa Informacji Urzędu Miasta Krakowa. Na podstawie art. 33 ust 3 ustawy z dnia 8 marca

Bardziej szczegółowo