STUDIA I MATERIAŁY POLSKIEGO STOWARZYSZENIA ZARZĄDZANIA WIEDZĄ

Transkrypt

1 STUDIA I MATERIAŁY POLSKIEGO STOWARZYSZENIA ZARZĄDZANIA WIEDZĄ Komitet Redakcyjny: Ryszard S. Choraś Kazimierz Fabisiak Polskie Stowarzyszenie Zarządzania Wiedzą Bydgoszcz 2004

2 Recenzenci: Dr hab. Ryszard Choraś prof. ATR Dr hab. Ludosław Drelichowski, prof. ATR Opracowanie redakcyjne i korekta Waldemar Kępa ISSN X Drukarnia yyyyyyyyyyyy Zam. Nr ccccccc

3 Spis treści Andrzej Straszak... 4 Miejsce sektora E-Wiedza w społeczeństwie internetowym Adam Adamczyk, Mieczysław Jagodziński...19 Wybrane aspekty kalkulacji kosztów produkcji z wykorzystaniem IFS Applications Władysław Hoffmann, Marek Mikołajczyk...30 Nowoczesne zastosowania geometrii fraktalnej Małgorzata Łatuszyńska...35 System symulacyjny wspomagający ocenę projektów infrastrukturalnych w transporcie Piotr Komsta...42 Dobór kryteriów oceny efektywności wdrożeń systemów zintegrowanych do wspomagania zarządzania przedsiębiorstwami Magdalena Lipińska...50 Transformacja zapytań rozmytych do bazy danych na zapytania w standardzie SQL Adrian Wolny...58 Koncepcja doboru metodyk projektowania i narzędzi komputerowego wspomagania (case) do modelowania dynamiki systemów informacyjnych Robert Rusielik...65 Atrakcyjność inwestowania w metody zarządzania wiedzą w agrobiznesie Zbigniew J. Klonowski...70 Systemy informatyczne gospodarowania wiedzą Tomasz Dudek...79 Zastosowanie teorii zbiorów przybliżonych do oceny preferencji klientów marketingowej hurtowni danych Jakub Kanik, Mieczysław Jagodziński...87 E-Learnig w nauczaniu problematyki zintegrowanych systemów informatycznych Grzegorz Spychalski, Leonid Worobjow, Aleksiej Skakun...96 Zasoby Pracy Oraz Zatrudnienie Mieszkańców Wsi Na Białorusi Michał Gulczyński Techniki odkrywania wiedzy (data mining) oraz ich zastosowania Jarosław Wątróbski Modelowanie ilościowych charakterystyk systemów komputerowych w strategii informatyzacji organizacji Maciej Maciejec Zapotrzebowanie na informatykę w polskich przedsiębiorstwach

4 4 Andrzej Staszak Miejsce sektora e-wiedza w społeczeństwie internetowym. ANDRZEJ STRASZAK Instytut Badań Systemowych PAN, Warszawa Prywatna Wyższa Szkoła Biznesu i Administracji w Warszawie MIEJSCE SEKTORA E-WIEDZA W SPOŁECZEŃSTWIE INTERNETOWYM Streszczenie Przedstawiono koncepcje sektora e-wiedzy w społeczeństwie internetowym. Słowa kluczowe: e-knowledge, Internet society 1. Wprowadzenie. Koncepcja nowej niehierarchicznej, sieciowej, elektronicznej struktury współdziałania elektronicznych względnie autonomicznych ośrodków przetwarzania i gromadzenia informacji cyfrowej powstała przeszło 40 lat temu w RAND Corporation w Santa Monica koło Los Angeles w USA. Twórcą koncepcji był Paul Baran inżynier elektroniki wojskowej, zaniepokojony skutkami ewentualnej globalnej wojny z wykorzystaniem międzykontynentalnych rakiet balistycznych uzbrojonych w głowice atomowe. W tym czasie ówczesne ośrodki komputerowe nie mogły być elektronicznie połączone między sobą, gdyż pierwszy techniczny eksperyment elektronicznego łączenia dwu komputerów przeprowadzono dopiero 7.lat później w 1969 roku. Teoretyczna koncepcja Paula Barana jest dzisiaj w 2004 roku najważniejszą technostrukturą o zasięgu globalnym, dostęp do której posiada co najmniej 700 milionów ludzi i wielka liczba urządzeń technicznych. W 2003 roku armia USA po raz pierwszy wykorzystała część elektronicznej technostruktury Paula Barana w rzeczywistej wojnie lądowej w Iraku, w wojnie jądrowej nie była wykorzystywana gdyż, taka wojna na szczęście nie wybuchła. 20.lat po powstaniu koncepcji elektronicznej technostruktury Paula Barana w 1994 roku została pierwszy raz wykorzystana dla celów elektronicznego handlu, gdy rozpoczęła działać pierwsza w historii e-księgarnia Amazon.com. Dzisiaj Amazon.com jest liczącą się firmą globalną. Między rokiem, nastąpił bezprecedensowy boom giełdowy firm internetowych, który spowodował boom w sektorze informatycznym, sektorze teleinformatycznym i sektorze telekomunikacyjnym. Boomowi przedsiębiorstw internetowych towarzyszyło wielkie nagłośnienie medialne i bardziej lub mniej głębokie badania naukowe, techniczne, ekonomiczne i społeczne. W wyniku tych badań przewidywano nieuchronne załamanie się giełdowego bomu firm internetowych już w roku 1999, czyli rok wcześniej niż wystąpił rzeczywisty wielki kryzys giełdowy firm internetowych, skutki którego trwały do niedawna. W 1994 roku w Internecie pod adresem zamieszczono Raport Bangemana pt. Europejska droga do Społeczeństwa Informacyjnego, który rozpoczął długą drogę do społeczeństwa internetowego dla krajów Unii Europejskiej. W pół roku potem, w grudniu 1994 roku kolejny Kongres Informatyki Polskiej stwierdza: Dążenie do społeczeństwa informacyjnego jest obiektywną i racjonalną strategią rozwoju kraju.

5 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, Następnie wszystkie Kongresy Informatyki Polskiej łącznie z ostatnim, który odbył się we wrześniu 2003 r. stwierdzały konieczność dążenia do społeczeństwa informacyjnego w Polsce. W tym samym czasie w Internecie opublikowano wyniki dwuletnich badań porównawczych 15.krajów Unii Europejskiej i 10.krajów wchodzących do Unii Europejskiej w 2004 roku. Najbardziej charakterystyczne dane i informacje o stanie korzystania z Internetu przez te 25.krajów europejskich zostanie podane w następnym rozdziale referatu. 2. Stan internetyzacji wybranych krajów europejskich i USA. Stany Zjednoczone Ameryki, kraj w którym pojawiła się koncepcja teoretyczna Internetu, wykonane pierwsze na świecie połączenie elektroniczne cyfrowych komputerów, gdzie rozpoczęła się ewolucja internetu, nadal pozostaje krajem najbardziej zaawansowanym w zakresie informatyki. Jest krajem który mimo kryzysu w roku 2000 i w latach następnych , najbardziej zyskał na wprowadzeniu informatyki do życia gospodarczego, krajem w którym postęp naukowy i techniczny w zakresie informatyki i internetyzacji coraz większych obszarów działalności nie został zahamowany, ale jest kontynuowany zgodnie ze słynnym twierdzeniem Moora. Jak pokazują poniższe dane przedstawione z projektu SIBIS sytuacja w zakresie internetyzacji w dwu grupach krajów starej 15.krajów UE i nowej 10.krajów UE jest bardzo zróżnicowana. Wyróżnić można w zasadzie dwa kraje szczególnie zaangażowane w marszu do społeczeństwa internetowego, są to Finlandia i Estonia, w których rola państwa w tworzeniu społeczeństwa internetowego jest szczególnie duża. Finlandia jest ponadto krajem, który przoduje w koncepcji społeczeństwa internetowego, które ma się opierać nie tylko na Internecie, ale także na wiedzy w tym wiedzy w dużej mierze opartej na badaniach naukowych i pracach rozwojowych. Udział nakładów publicznych i gospodarki na badania i rozwój w Finlandii szybko zbliża się do 4%, co daje już przez dwa lata Finlandii pierwsze miejsce w rankingu najbardziej konkurencyjnych gospodarek światowych. W 2002 roku Instytut Łączności w Warszawie wydał monografię Józefa Wierzbołowskiego pt. Fińska droga do społeczeństwa informacyjnego i gospodarki opartej na wiedzy opartą na kilkuletnich badaniach sukcesu Finlandii w realizacji Narodowej Strategii pt. Finland its Way Information Socjety opublikowanej przez Ministerstwo Finansów w Halsinkach w 1996 roku. [Wierzbowski 2003] Dopełnionej Strategiami Szczegółowymi takimi jak: A National Strategy for Education, Training and Research In the Information Society opublikowanej przez Ministerstwo Edukacji w Helsinkach w 1999 roku, strategia pt. Finland: a Knowledge based Society opublikowana przez The Science and Technology Policy przez Radę Państwa (Council of State) document decyzyjny (Decision in Principle) pt. Developing a Finnish Information Society, Helsinki Powołany Rządowy Komitet Doradcy d/s Społeczeństwa Informacyjnego od 2000 roku publikuje coroczne raporty. Autor monografii stwierdza: Analizując podstawy sukcesu Finlandii autor zwraca szczególną uwagę na rolę nauki i otoczenia naukowego, podkreślając przy tym znaczenie związków, jakie zachodzą między instytucjami naukowymi, administracją publiczną i organizacjami gospodarczymi. Drugim krajem w Europie, który w ostatnich latach ustanowił szczególną rolę Internetowi, jako technologii tworzącej infrastrukturę społeczeństwa informacyjnego. Dziś zagwarantowanym

6 6 Andrzej Staszak Miejsce sektora e-wiedza w społeczeństwie internetowym. ustawowo prawem człowieka w tym nadbałtyckim państwie jest dostęp do internetu. Niewielka Estonia postawiła na technologię internetową, by promować rozwój informacyjnego społeczeństwa obywatelskiego. Obywatele tego kraju mogą już dzisiaj komentować projekty praw, lecz także zgłaszać własne. Wśród estońskich internautów odbywają się dyskusje internetowe i jeżeli pomysł poprze, co najmniej 50 osób, przekazywany jest do odpowiedniego ministerstwa, które ma miesiąc na odpowiedź. Jeśli nie chce zaproponować projektu ustawy lub rozporządzenia w tej kwestii musi wytłumaczyć, dlaczego. Zgodnie z estońskim prawem muszą do internetu trafić wszystkie dokumenty w momencie, gdy zostają wysłane do innego ministerstwa czy urzędu, np. do konsultacji. Każdy projekt prawa szybko staje się dokumentem publicznym. Z kolei rząd estoński przeszedł z nośnika papierowego na nośnik elektroniczny. Projekty ustaw i inne dokumenty przygotowywane są i rozprowadzane wyłącznie w wersji elektronicznej a obrady rządu odbywają się przed monitorami komputerów, w obradach elektronicznych mogą uczestniczyć ministrowie będący poza salą obrad Rady Ministrów w tym zagranicą. Obecnie Estonia harmonizuje z sąsiednią, choć fizycznie odległą, Finlandią ustawę o podpisie elektronicznym. Wydaje się, że sukces Finlandii na drodze do społeczeństwa informacyjnego silnie wpływa na rozwój społeczeństwa informacyjnego w Estonii. Z badań porównawczych zleconych przez Unię Europejską, zakończonych we wrześniu 2003 roku, wynika że w umiejętnościach szukania informacji w internecie Estonia uzyskała miejsce obok średniej 15. krajów obecnej Unii Europejskiej, wyprzedzając takie kraje jak Francję, Włochy, Hiszpanię, nie mówiąc o wszystkich krajach kandydujących do Unii (rys. 1), podobne miejsce Estonia zajmuje w umiejętności komunikowania się przez Internet (rys. 2). W zakresie doświadczenia korzystania z internetu trybie onlinowym (interaktywnym) Estonia wyprzedziła takie kraje jak Belgię i Niemcy (rys. 3). Estonia osiągnęła także poziom korzystanie z szerokopasmowego internetu trochę większy niż średnia 15.krajów Unii Europejskiej (rys. 4). sięgającą obecnie 700 mil osób, około100 milionów używa internetu jako narzędzia telepracy. Rys. 1. Umiejętności szukania informacji w Internecie. Źródło: SIBIS 2003.

7 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, Rys. 2. Umiejętności wykorzystania Internetu do komunikacji. Źródło: SIBIS Rys. 3. Doświadczenie korzystania z Internetu w trybie on-line. Źródło: SIBIS 2003.

8 8 Andrzej Staszak Miejsce sektora e-wiedza w społeczeństwie internetowym. Rys. 4. Dostęp szerokopasmowy do internetu i doświadczenie internautów. Źródło: SIBIS Eksplozja wiedzy elektronicznej. W ciągu ostatniego 10.lecia ilość danych, informacji i wiedzy dostępnej w infosferze elektronicznej przekroczyła i zwielokrotniła ilość danych, informacji i wiedzy dostępnej w formie tradycyjnej (rys. 5).

9 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, Wisdom Knowledge Knowledge Information Information log 10 N Data Electronic Data, Information & Knowledge Data n Human & Traditional Data, Information & Knowledge where N>>>...>n Rys. 5. Nowa piramida danych, informacji i wiedzy. Źródło własne. Wydaje się, że prawo Moore a obowiązujące od lat 30.w obszarze mocy przetwarzania i gromadzenia danych i informacji w elektronicznych urządzeniach informatycznych, które spowodowało, że klasy tych urządzeń kolejno typu k, M, G, wchodzą już w klasę T, a w niedługiej przyszłości osiągną klasę P i E, to znaczy że już niedługo będziemy mieli dostęp i możliwość przetwarzania danych, informacji i wiedzy elektronicznej o gęstości większej od Bajtów. Także niedługo strumienie danych, informacji i wiedzy przepływające w ziemskiej infosferze elektronicznej będą przemieszczały się z szybkością większą od b/s. W latach 70.wybitny matematyk rosyjski na seminarium w Instytucie Cybernetyki Stosowanej PAN określił, że cywilizacja cybernetyczna powstanie gdy ludzie będą przetwarzać dane, informacje i wiedzę o gęstości większej niż zaledwie B. Nie zapominajmy, że studenci twórcy firmy internetowej Google, która niedługo stanie się zapewne nową giełdową firmą internetową, którą podobnie jak firma internetowa Amacon.com nie tylko przetrwała pierwszy światowy kryzys firm internetowych (rys.6) ale firmy te były w fazie stałego wzrostu, użyły nazwy Google co znaczy , i co dzisiaj wydaje się liczbą niewyobrażalną, ale pojutrze lub popojutrze będziemy żyć w technoświecie o relacjach

10 10 Andrzej Staszak Miejsce sektora e-wiedza w społeczeństwie internetowym. liczbowych określonych jeszcze większą liczbą. A przecież już dzisiaj świat elektronicznych danych, informacji i wiedzy musi opierać się na procesach zautomatyzowanych i procesy niezautomatyzowane stanowią bardzo, bardzo ważną jakościową część, ale jednocześnie staje się coraz mniejszym marginesem. Eksplozja wiedzy, którą obecnie obserwujemy prowadzi nieuchronnie do automatyzacji przetwarzania, gromadzenia a także zarządzania wiedzą. Rys. 6. Giełdowy kryzys gospodarki internetowej. 4. Wielka różnorodność elektronicznej wiedzy i wielkich systemów e-wiedzy. Obecnie w 2004 roku możemy wyróżnić 7.głównych zastosowań technologii internetowej a mianowicie e-komunikacja, e-handel, e-biznes, e-gospodarka, e-administracja, e-edukacja i e- społeczeństwo (rys.7).

11 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, Rys warstw aplikacyjnych (e-communication, e-comerce, e-biznes, e-economy, e- administracja (rządowa i administracyjna), e-education, e-społeczeństwo (lokalne, zawodowe itp.). Źródło własne. Ogrom elektronicznych danych, informacji a także coraz większe zasoby e-wiedzy, czynią z niej jądro wielkich e-systemów. E-wiedza wymaga zarówno rozwoju tradycyjnej edukacji i badań naukowych, jak i coraz większej e-edukacji i e-badań (rys.8).

12 12 Andrzej Staszak Miejsce sektora e-wiedza w społeczeństwie internetowym. Rys. 8. Warstwy e-aplikacji, warstwy e-edukacyjne (e-edu) i e-badawcze (e-reas) oraz jądro wiedzy. Źródło własne. 5. Organizacje produkujące wiedzę i e-wiedzę. Współcześni pracownicy wiedzy muszą szybko ulec transformacji w wysokowykształconych pracowników wiedzy i mądrości systemowej. Współczesne i przyszłe wielkie systemy potrzebują kreatywnych zespołów ludzkich wielodyscyplinarnych, na wzór pierwszej korporacji wiedzy powstałej jeszcze w połowie 20.wieku jaką jest RAND Corporation (rys.9).

13 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, Rys. 9. Wykształcenie bazowe pracowników wiedzy RAND Corporation W starym modelu rozwoju ludzkości różnorodne organizacje, instytucje i firmy żyły wiecznie a ludzie umierali. W latach 90. i w pierwszej dekadzie 21.wieku organizacje, instytucje i firmy umierają a ludzie pozostają z wieloma nowymi pomysłami. Rewolucja elektroniczna zmiata z powierzchni planety ziemskie nie efektywne systemy szybciej niż coraz wydłużające się średnie życia ludzi. Kapitał ludzki nie umiera ze śmiercią nieefektownych czy oszukańczych organizacji. Kreatywność globalna ludzi także nie jest jeszcze wystarczająca, chociażby na przykładzie luki projektowo produkcyjnej w elektronice, gdzie produktywność projektantów wynosi tylko od 20 do 25% CARG, gdy ewolucja krzemowa rozwija się zgodnie z prawem Moora z szybkością 59% (rys.10).

14 14 Andrzej Staszak Miejsce sektora e-wiedza w społeczeństwie internetowym. Rys. 10. Stopień integracji układów scalonych stale rośnie szybciej niż produktywność ich projektantów Cykl życia globalnych systemów nabiera coraz szybszych obrotów, wymaga to coraz bardziej różnorodnej teorii i wiedzy z zakresu automatyki, informatyki, kreatywnej pracy i zarządzania, coraz lepszego zarządzania wiedzą, większych nakładów na edukację ludzi bardzo młodych (rys.11) i przestrzeganie nowych relacji w 21.wieku. Już obecnie obok zatrudniania pracowników wiedzy we wszystkich firmach niezbędny jest rozwój sektora wiedzy i badań a w nich globalnych laboratoriów wielowłasnościowych (prywatno-publicznych), powstanie nowych struktur takich, jak miasta nauki i wysokiej edukacji, globalne korporacje wiedzy i inne formy (rys.12,13). Rys. 11. Zależność między nakładami inwestycyjnymi w kapitał ludzki a wiekiem ludzi w społeczeństwie internetowym.

15 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, Rys. 12. Nowe relacje w obszarach nowych ładów społeczeństwa internetowego. Jakość produktów wiedzy Organizacje Wiedzy zatomizowane Proste powiązania organizacji wiedzy Zamknięte systemy organizacji wiedzy Rys. 13. Ewolucja organizacji wiedzy Otwarte, wirtualne, zintegrowane organizacje wiedzy

16 16 Andrzej Staszak Miejsce sektora e-wiedza w społeczeństwie internetowym. Strumień danych, Informacji, Wiedzy i Mądrości Strumień Pracowników Wiedzy i Studentów Miasteczko nauki i wysokiej techniki Miasteczko nauki i wysokiej techniki Miasteczko nauki i wysokiej techniki Miasteczko nauki i wysokiej techniki Region A1 Region A2 Region B1 Region B2 E-samoorganizująca się struktura organizacyjna wysokiej wiarygodności Rys. 14. Nowe struktury 21.wieku, regionalne i metaregionalne 6. Literatura 1. Ando, K. (1973) The Japanese Information Society. Data/Kontor 73. Stockholm. 2. Bradley, S., J. Hausman, R. Nolon, (1993) Globalization, Technology and Competition. Harvard Business School Press, Boston. 3. Bratko I., B. Suc. Learning Qualite Models. Al Magazin, Winter Bredeweg B., K. Forbus. Qualitative Modeling in Education. Al Magazin, Winter Bono, E. de. (1999) New Thinking for the New Millenium. Penguin Books, London. 6. Burke E. i inni. (2003) Hyper-Heuristics: An Emerging Director in Modern Search Technology. In: Glover F, G.A. Kochenberger (red) Handcode of MAtaheuristics. Kluwer Academic Publishers Dordrecht. 7. Burns (2001) 100 Top Internet Mistakes., The McGrow-Hill Comapanies, London. 8. Castells M., The Internet Galaxy Oxford. U. Press. 9. Champy J. (2002) X-Engineering the Corporation. AOL Com. New York. 10. Crainic T.G., M. Touluse (2003) Paralled Strategies for Meta-Heuristics. In: Glover F, G.A. Kochenberger (red) Handcode of MAtaheuristics. Kluwer Academic Publishers Dordrecht. 11. Davia, S., Davidson B. (2001) 2020 Vision: Transform Your Business Today to Succeed in Tomorrow s Economy. Simon & Schuster, New York, 12. Dyson, E. (1999) Wersja 2.0. Przepis na życie w epoce cyfrowej. Prószyński i S-ka, Warszawa. 13. Fink A i inni (2003) Metaheuristic Class Libraries. In: Glover F, G.A. Kochenberger (red) Handcode of MAtaheuristics. Kluwer Academic Publishers Dordrecht. 14. Freudem E., M. Wallace.(2003) Constraint Satisfaction. In: Glover F, G.A. Kochenberger (red) Handcode of MAtaheuristics. Kluwer Academic Publishers Dordrecht. 15. Gackenbach, J. (1998) (red.), Psychology and Internet. Academic Press, Boston. 16. Gates, B. (1999) Biznes szybki jak myśl. Warszawa.

17 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, Glover F, G.A. Kochenberger (red) Handcode of MAtaheuristics. Kluwer Academic Publishers Dordrecht. 18. Goban-Klas (2000) T., Media i komunikowanie masowe, PWN. Warszawa. 19. Goban-Klas, T., Sienkiewicz P. (1999) Społeczeństwo informacyjne: Szanse, zagrożenia, wyzwania. Wyd. Postępu Telekom., Kraków. 20. Gore, A., (1993) Creating a Government that Works Better and Costs Less: Reengineering Through Information Technology. Plume Books, Wahington. 21. Gray, P., Igbara M. (1996) The Virtual Society. ORMS, 23, Grodzicki, J., (2000) Edukacja czynnikiem rozwoju gospodarczego. Wyd. A Marszałek, Toruń. 23. Kacprzyk, J. (2001) Wieloetapowe sterowanie rozmyte. WNT Warszawa. 24. Kaku, M. (2000) Wizja, czyli jak nauka zmieni świat w XXI wieku, Wyd. Prószyński i S-ka, Warszawa. 25. Kwiatkowski S., Ch. Stowe. (2001) KC for IP and IC. WSPIZ W-wa. 26. Mc Lead (2002) Non stop creativity and Inovation., The McGraw-Hill Comp. Glasgow. 27. McDonald G.J. (1998) Science for global insight. Vision for the 21 st century, IIASA, Laxenburg. 28. Recommendations to the European Council. Europe and the global information society (Bangemann`s Report, ) 29. Reinhardt A., Majidi N. (2003) The E-Biz Surprise Business Week. May Rosenoer, J. Armstrong D., Gates J. (2000) Firma w Internecie,Wyd. Prószyński, Warszawa. 31. Spector R. (2000) Amazon.com.Wyd. Liber Warszawa. 32. SIBIS, Sienkiewicz P. (1994) Analiza systemowa. Podstawy i zastosowania. Bellona, Warszawa. 34. Sienkiewicz P. (2002) Wojna cybernetyczna czy walka w przestrzeni cybernetycznej, Owsiński J., Straszak A. Społeczeństwo informacyjne a badania operacyjne i zarządzanie. Badania operacyjne i systemowe wobec wyzwań XXI wieku., Akademicka Oficyna Wydawnicza EXIT. 35. Straszak A. (1979) Cybernetyczny aspekt zarządzania. W: Metody cybernetyczne w zarządzani. Materiały konferencji, Warszawa kwietnia Ossolineum, Wrocław. 36. Straszak A. (1998) Zarządzanie w przestrzeni cybernetycznej. Firma i Rynek, 7, Szczecin. 37. Straszak A. (1999) Analiza systemowa na progu XXI wieku. W: Analiza Systemowa i Zarządzanie, K. Mańczak, red. Wyd. IBS PAN, Warszawa. 38. Straszak A. (2003) Społeczeństwo Internetowe oparte na Wiedzy Wielkie Wstrząsy Rozwojowe. Uniwersytet Szczeciński. 39. Straszak A. (2003) Trzecia faza rozwoju handlu elektronicznego (e-commerce), Wybrane problemy zastosowania electronic data interchange i elektronic commerce. (red.) M. Niedźwiedziński, Łódź. 40. Struss P., Ch. Price. Model-Based Systems In the Automotive Industry. Al Magazin, Winter Szapiro T. Ciemniak R. (1999) Internet nowa strategia firmy. Difin, Warszawa. 42. Senge P. M. (1990) The fifth discipline. The art and practice of learning organization, Doubleday Publishing. 43. Symonds W.C. (2003) Colleges in Crises. Business Week., 28 kwietnia, Wyd. Europejskie. 44. Talukdar S, i inni. (2003) Asynchronous Teams.. In: Glover F, G.A. Kochenberger (red) Handcode of MAtaheuristics. Kluwer Academic Publishers Dordrecht.

18 18 Andrzej Staszak Miejsce sektora e-wiedza w społeczeństwie internetowym. 45. Tapscott D. (1995) Digital Economy. McGraw Hill, New York. 46. The 21 st century economy. Business week, Special issue, TIME Special Report. Welcome to the Wired Word. Time, 149, 5, Vogekstein F. (2003) Mighty Amazon. FORTUNE. May Wierzbicki A. (1997) Integracja europejska w obliczu ery informacyjnej (postindustrialnej). IriSS Raporty, Warszawa. 50. Wierzbołowski J., (2003) Fińska droga do społeczeństwa informacyjnego i gospodarki opartej na wiedzy. Instytut Łączności, Warszawa. 51. Wilson E.J. (1998) Investing the global information future. Futures. 52. Wiener N. (1960) Cybernetyka i społeczeństwo. Wyd. Książka i Wiedza Warszawa. 53. Zasępy T. (2001) Internet fenomen społeczeństwa informacyjnego, Wyd. Św. Paweł, Częstochowa. ANDRZEJ STRASZAK Andrzej.Straszak@ibspan.waw.pl

19 Adam Adamczyk, Mieczysław Jagodziński Wybrane aspekty kalkulacji kosztów produkcji z wykorzystaniem IFS Applications 19 ADAM ADAMCZYK Wyższa Szkoła Ekonomiczno-Informatyczna w Warszawie MIECZYSŁAW JAGODZIŃSKI Politechnika Śląska w Gliwicach Wyższa Szkoła Informatyki i Zarządzania w Bielsku-Białej WYBRANE ASPEKTY KALKULACJI KOSZTÓW PRODUKCJI Z WYKORZYSTANIEM IFS APPLICATIONS Streszczenie Artykuł przedstawia wybrane aspekty wykorzystania zintegrowanego systemu informatycznego IFS Applications do kalkulacji kosztów produkcji. Materiał zawarty w artykule został zebrany podczas opracowywania modelu ABC(Activity Based Costing Rachunek kosztów działań) kalkulacji kosztów na bazie doświadczeń zdobytych w komercyjnych firmach. 1.Wstęp Zmiany gospodarcze, których jesteśmy świadkami na przestrzeni ostatnich czasów powodują wzmożony wzrost wymagań klientów. Silna konkurencja na rynku zmusza do stałego podnoszenia jakości, zwiększenia różnorodności wyrobów przy jednoczesnym obniżaniu nakładów poniesionych na wytwarzanie. Jest dżwignią dynamicznego rozwoju metod kalkulacji kosztów (kalkulacje podziałowe, doliczeniowe, koszty działań). Na podstawie analiz wyników kalkulacji przedsiębiorstwa opracowują procedury, dzięki którym są w stanie w znacznym stopniu zredukować swoje koszty. Przykładem może być Hewlett- Packard, który wdrożył metodę ABC redukując koszty działalności o ponad 2 miliony USD. 2.Cost Management Pod pojęciem Cost Management rozumiemy planowanie, monitorowanie oraz kontrolowanie kosztów przedsiębiorstwa wykorzystując do tego celu informacje operacyjne i finansowe. Podejście to zakłada zarejestrowanie, analizę zasadności oraz prezentację użytkownikom informacji o kosztach ich działań. Najważniejszy celem jest dostarczenie informacji pozwalających lepiej wykorzystać zasoby i zarządzać kosztami realizowanych procesów biznesowych. Procesy produkcyjne są znacznie zróżnicowane. Z tego też powodu zarządzanie kosztami w przedsiębiorstwach produkcyjnych musi uwzględniać charakter firmy, profil produkcji specyficzne uwarunkowania zakładu oraz technologii. Podstawą prawidłowego zarządzania kosztami jest ich zidentyfikowanie oraz pomiar. W ewolucji zintegrowanych systemów pomiaru kosztu możemy wyróżnić cztery etapy: systemy niepewne, nie nadające się do sprawozdawczości finansowej, sprawozdawczość finansowa, spełniające wymagania księgowych, wyspecjalizowane, autonomiczne systemy pomiaru kosztów,

20 20 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, 2004 zintegrowane: systemów sprawozdawczości finansowej oraz pomiaru kosztów. Poniższa tabela zestawia charakterystyczne cechy poszczególnych faz. T a b e l a 1 Etapy ewolucji zintegrowanych systemów pomiaru kosztu Aspekty Niepełne Sprawozdawczość Wyspecjalizowane Zintegrowane Jakość danych Zewnętrzna sprawozdawczość finansowa Koszty produktu/obsługi klienta Kontrola operacyjna i strategiczna Wiele błędów Znaczne rozbieżności Nieodpowiednie Nieodpowiednie Nieodpowiednie Stabilność Spełniają normy kontroli finansowej Przystosowane do sprawozdawczości finansowej Niedokładne Ukryte koszty i zyski Ograniczony i opóźniony mechanizm kontrolny 3. Standardowe Systemy kalkulacji kosztów Wspólne bazy danych Systemy autonomiczne Nieformalne powiązania System fazy II Kilka autonomicznych systemów ABC Kilka autonomicznych systemów badania efektywności Całkowicie powiązane bazy danych i systemy Systemy sprawozdawczości finansowej Zintegrowane systemy ABM Operacyjne i strategiczne systemy badania efektywności W przypadku przedsiębiorstw produkujących długie serie podobnych produktów dla prawidłowego pomiaru, generalnie powinny wystarczyć systemy II etapu. Alokacja kosztów do produktów jest prosta, ponieważ portfel produktów jest mały. Standardowe systemu rachunku kosztów gromadzą koszty wydziałowe w przekroju miejsc powstawania kosztów (MPK) wyodrębnionych w ramach wydziałów produkcji podstawowej i pomocniczej, by po dokonaniu rozliczenia kosztów produkcji pomocniczej i ustaleniu stawek narzutu dla każdego MPK obciążyć zlecenia produkcyjne przechodzące przez dane miejsca powstawania kosztów. Koszty bezpośrednie Płace, Materiały, Pozostałe Koszty Koszty pośrednie Amortyzacja Energia, Pozostałe Wydział Produkcyjny Produkt Koszty pośrednie Nieprodukcyjne Rys. 1. Kalkulacja kosztów produktu metodą standardową Koszty pośrednie nieprodukcyjne (zarządu, sprzedaży itp.) są zwykle rozliczane na produkty dla celów analiz. Koszty bezpośrednie obciążają produkty bezpośrednio na podstawie dokładnego pomiaru i dokumentacji źródłowej

21 Adam Adamczyk, Mieczysław Jagodziński Wybrane aspekty kalkulacji kosztów produkcji z wykorzystaniem IFS Applications Grupowanie kosztów wydziałowych w wydziałach produkcji podstawowej i pomocniczej Rozliczanie kosztów wydziałowych produkcji pomocniczej na wydziały podstawowe Obliczenie stawek kosztów wydziałowych dla każdego wydziału produkcji podstawowej 21 Obciążenie produktów kosztami wydziałowymi w ramach produkcji pomocniczej Rys. 2. Etapy rozliczenia kosztów produkcji pośredniej Przedsiębiorstwo wybrane do przedstawienia zagadnień jest producentem aparatury procesowej. Zamówienia klientów są realizowane zazwyczaj w trybie ETO Engineer-To-Order czyli projektowanie i produkcja na zamówienie lub MTO Make-To-Order czyli Produkcja na zamówienie. W400, WOM Klienci Dostawcy MWG M300 Transport WP 1, WP 2, WM Transport 480 WPZ M380 M580 Rys. 3. Schemat poglądowy przedsiębiorstwa Zakład 480 WPZ produkuje tylko w trybie MTO. Produkując na zamówienie klienta długie serie zbiorników magazynowych. Zakład spełnia podstawowe założenia zastosowania standartowych metod kalkulacji kosztów tj koszty pośrednie są nieznaczne; stanowią 30% kosztów całkowitych zakładu, na portfel produktów składa się 8 typów zbiorników, o podobnej budowie. Produkcja jest w znacznym stopniu zmechanizowana i odbywa się na linii potokowej. Czas przepływu zbiornika przez linię to ok. 12h. Montaż odbywa się w 6 komórkach produkcyjnych. 3.1 MRP Planowanie produkcji w zakładzie jest oparte o zintegrowany system informatyczny IFS Applications. W celu minimalizacji kosztów ilość zamówienia obliczana jest przy użyciu kosztu pośredniego zamówienia i kosztów magazynowania. Metoda ta usiłuje określić optymalną ilość zamówienia porównując koszty dodatkowe i koszty magazynowania. Usiłuje zminimalizować koszty pozycji przez obliczenie wielkości zamówienia rozpatrywanej przy wytwarzaniu pozycji. Jest oczywistym, iż jeśli pozycja jest często produkowana, koszty dodatkowe rosną, a koszty magazynowe maleją. Jeśli pozycja jest produkowana rzadko, koszty dodatkowe maleją, a koszty magazynowe rosną. Przeliczając zapotrzebowanie na większe partie można znaleźć poziom optymalny, który jest najmniejszym kosztem jednostkowym.

22 22 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, 2004 Kalkulacja wykorzystuje następujące dane: Koszt pośredni zamówienia Koszt dodatkowy do rozpoczęcia produkcji, Liczba dni, przez które pozycja pozostaje w magazynie, jeśli produkcja pozycji zostanie zaharmonogramowana wcześniej, Całkowita liczba dni przechowywania w roku. Planowanie zamówień MRP rozpoczyna się od obliczenia dziennego kosztu magazynowania. Informacje te są następnie wykorzystywane do obliczenia kosztu jednostkowego. Koszt magazynowy na dzień obliczany jest jako: N * K K = mag sp mag/d D (1) r K mag/d Koszt magazynowania na dzień N mag Narzut magazynowania K sp Koszt standardowy pozycji D r Ilość dni przechowywania w roku (domyślnie 220) Po obliczeniu dziennego kosztu magazynowania, następuje minimalizacja przyszłego kosztu jednostkowego w funkcji dwóch zmiennych tj ilości wymaganej i liczbie dni magazynowych oraz łącznej ilości wymaganej. według poniższego wzoru: K pz + K mag/d * (I w * D m ) K j = (2) Isw Kj Koszt jednostkowy K pz Koszt pośredni zamówienia K mag/d Koszt magazynowania na dzień I w Ilość wymagana Ilość wymagana I sw D m Ilość dni magazynowych Zamówienie jest zamówienie MRP jest wystawiane w zależności od daty, dla której koszt jednostkowy jest najmniejszy. Bilansowanie okresu pozycji Ilość zamówienia obliczana jest przy użyciu kosztu pośredniego zamówienia i kosztów magazynowania. Metoda ta usiłuje określić optymalną ilość zamówienia porównując zamówienia i sprawdzając, czy rezultaty zbliżają się do optymalnego wypośrodkowania pomiędzy kosztami pośrednimi zamówienia a kosztami magazynowania. Obliczenie rozpoczyna się od wyznaczenia kosztów magazynowania na dzień, przy użyciu tej samej formuły, co opisana dla zamówienia MRP E. Gdy dzienny koszt magazynowania jest obliczany, zliczane jest łączne zapotrzebowanie, aby iloraz kosztów pośrednich zamówienia i dziennych kosztów magazynowania był jak najbliższy optymalnemu. Jeśli formuła zostanie trochę zmieniona, można zaobserwować, że MRP oblicza dzień roboczy, który jest najbliższy względem dnia, w którym koszt magazynowania przekracza koszt pośredni zamówienia. K O = K pz mag/d

23 Adam Adamczyk, Mieczysław Jagodziński Wybrane aspekty kalkulacji kosztów produkcji z wykorzystaniem IFS Applications 23 O Optymalny iloraz K pz Koszt pośredni zamówienia K mag/d Koszt magazynowania na dzień Oznacza to, że MRP usiłuje obliczyć ekonomicznie optymalną liczbę dni, przez jakie pozycja może być przechowywana w magazynie, obliczając optymalny iloraz. Jednostką optymalnego ilorazu są dni. Gdy optymalny iloraz zostanie określony, obliczana jest liczba dni magazynowania, która jest ilością pozycji magazynowanych razy liczba dni przechowywania w magazynie, dopóki dni magazynowania nie przybliżą się maksymalnie do optymalnego ilorazu. 380 Zaopatrzenie WPZ 580 Sprzedaż Rys. 4. Schemat przepływu materiałów przez zakład 480 WPZ 4. Zintegrowane systemy rachunku kosztów W przedsiębiorstwach produkujących na konkretne zamówienie klienta MTO (Make To Order) lub (ETO- Engineer-To-Order) systemy komputerowe nastawione na sprawozdawczość finansową niestety nie są w stanie dostarczyć odpowiednich informacji. Sytuacja jest tym trudniejsza im bardziej jest skomplikowany portfel produktów, oraz zróżnicowanie procesu wytwarzania poszczególnych zamówień.

24 24 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, 2004 Hours Przedsiębiorstwo $ Hours Wydział $ Hours Komórka $??? Gniazdo $??? Błędne rozliczenie kosztów pośrednich rozliczanych na podstawie roboczogodzin 5-10% Pracownicy nie znają Kosztów swoich działań Brak informacji o kosztach na poziomie komórek i gniazd Koszty pośrednie oraz ogólnozakładowe naliczane na podstawie roboczogodzin nie zawsze oddają rzeczywiste koszty ponoszone przez zakład. Szczególnie rozliczenie kosztów wydziałów produkcji pomocniczej, oraz nieprodukcyjnych np. Kontroli Jakości, Zaopatrzenia, Remontowego na poszczególne produkty może być obarczone bardzo dużym błędem. Dla takich przypadków została stworzona metoda ABC. Według koncepcji ABC koszty pośrednie (produkcyjne i nieprodukcyjne) rozlicza się na produkty, odpowiednio do działań wywołujących te koszty, przy zastosowaniu wielu różnych podstaw rozliczania, z których niektóre są - inne zaś nie są - związane z liczbą wytwarzanych produktów Podstawą koncepcji rachunku kosztów działań jest postrzeganie przedsiębiorstwa nie przez pryzmat wydziałów, ale działań niezbędnych do wytworzenia sprzedaży określonych produktów. Przykładami takich działań mogą być choćby: zaopatrzenie, magazynowanie, techniczne przygotowanie produkcji, zapewnienie ruchu maszyn i urządzeń, kontrola jakości i przygotowanie partii wyrobów do wysyłki. Sprzedaż i Marketing Zaopatrzenie i logistyka Magazyny Produkcja Transport Obsługa zamówienia klienta Sprzedaż Zaopatrzenie Produkcja Wysyłka Remonty zapobiegawcze Rys. 5. Przykład procesu głównego wraz z podprocesami Działania zużywane są różnorodne zasoby, czego wyrazem są koszty materiałów, robocizny, energii itd. Zasoby są zużywane w celu wytworzenia i sprzedaży wyrobów i usług, lecz to działania a nie wyroby lub usługi są przyczyną powstawania kosztów. Właściwe wyodrębnienie działań zachodzących w przedsiębiorstwie stanowi punkt wyjścia do zastosowania kalkulacji opartej na działaniach.

25 Adam Adamczyk, Mieczysław Jagodziński Wybrane aspekty kalkulacji kosztów produkcji z wykorzystaniem IFS Applications 25 W obszarze produkcji niezwykle ważna okazuje się informacja o kosztach poszczególnych działań. Podczas analizy przedsiębiorstwa z punktu widzenia działań w nim zachodzących w dziale Technologiczno-Konstrukcyjnego wyróżniono cztery podstawowe procesy: Projektowanie nowego produktu, Adaptacja projektu, Opracowanie technologiczne, Nadzór zlecenia produkcyjnego. Proces projektowania pochłaniał 80% zasobów ludzkich miesięcznie. Tak duże obciążenie zasobów ludzkich powodowało opóźnienia w adaptacji pozostałych projektów oraz przygotowaniu opracowań technologicznych. Dalsza analiza wykazała, iż zaledwie 10% produktów jest projektowanych od nowa, pozostałe 90% należy jedynie zaadoptować i przygotować opracowanie technologiczne. Projektanci Nośniki kosztów zasobów Projektowanie Produkt 2 Baza techniczna Adaptacja Nośniki kosztów działań Technologowie Opracowanie technologii Produkt 1 Rys. 6. Przykład modelu ABC Rozliczenie działu Technicznego przygotowania produkcji Tymczasem kosztami działu były obciążane wszystkie produkowane wyroby, według klucza rozliczeniowego opartego na wartości sprzedaży. Zidentyfikowane przyczyn powstawania kosztów, przedstawiono zarządowi. Została podjęta decyzja iż dział Technologiczno- Konstrukcyjny powinien w pierwszej kolejności adaptować projekty i przygotowywać opracowania. Pozostałe zasoby działu mogą być przeznaczone na prace konstrukcyjne, ale tylko pod warunkiem, iż nie opóźni to prac. W przypadku gdy dział jest przeciążony pracą odpowiednia dokumentacja projektowa ma być zakupiona w zewnętrznym biurze projektowym. Wprowadzenie tak prostej modyfikacji spowodowało prawie całkowitą redukcję opóźnień działu, co zaowocowało opóźnionych kontraktów o 40%. Wprowadzenie nowych wytycznych dla działu Branżowo-Handlowego spowodowało zwiększeniem rentowności o 20%. Osiągnięcie takich rezultatów stało się podstawą do przeprowadzenia identyfikacji istotnych działań występujących w przedsiębiorstwie. Niezwykle przydatna w tym względzie okazała się analiza procesów gospodarczych (business process analysis - BPA). Wyszczególnienie procesów i dokładny ich opis stanowi podstawę zarówno dla kalkulacji kosztów działań jak i dla wdrożenia zintegrowanego systemu informatycznego Głównym problemem podczas określania działań należy dążyć do wyróżnia działań wykonywanych na jednostce produktu, serii, i całego przedsiębiorstwa. Jednak wyróżnienie

26 26 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, 2004 działania na serii lub przedsiębiorstwa musi być poprzedzone analizą udowadniającą, iż nie jest możliwe wyodrębnienia go na niższym poziomie. Podczas analiz prowadzonych w dziale Techniczno-Konstrukcyjnym każdy z procesów został rozbity na podstawowe czynności, które zostały zidentyfikowane i zmierzone, następnie tak posiadane informacje pozwoliły w łatwy sposób agregować poszczególne czynności w kompletny proces. Pozwoliło to uniknąć sytuacji, iż model kosztów jest na zbyt wysokim poziomie np. na poziomie przedsiębiorstwa. 4.1 Ustalenie kosztów wyodrębnionych działań Etap ten wymaga posiadanie szczegółowych danych finansowo księgowych. Dzięki analizie tych danych każdemu działaniu zostanie przypisana odpowiednia pula kosztowa. Niestety czasami zdarza się, iż posiadane dane są niewystarczające do odpowiedniego przydzielenia puli kosztowej, czasami wymaga to zebrania dodatkowych danych, bądź wykonania dodatkowego zestawienia. 4.2 Określenie jednostki pomiaru wolumenu każdego działania Kolejny krok w systemie rachunku kosztów działań polega na identyfikacji miar poszczególnych działań (activity drivers). Miary te są podstawą rozliczania kosztów zgromadzonych w pulach kosztowych działań na produkty korzystające z tych działań. Wielkość ta uznana za miarę konkretnego działania (activity driver) powinna: Odzwierciedlać zapotrzebowanie danego produktu w stosunku do pozostałych produktów na dane działanie, Odzwierciedlać przyczynę powstawania kosztów Być zrozumiała i łatwa do zmierzenia. System IFS Applications umożliwia wykonywanie jednocześnie rozliczeń kosztu przy tradycyjnym podejściu jak i przy zastosowaniu modelu ABC. Elastyczność wyboru metody kalkulacji kosztów zapewnia olbrzymią swobodę działania i znacznie ułatwia podejmowaniu prawidłowych decyzji Rys.7. Hybrydowy model rozliczenia kosztów

27 Adam Adamczyk, Mieczysław Jagodziński Wybrane aspekty kalkulacji kosztów produkcji z wykorzystaniem IFS Applications Kalkulacja kosztów wyrobu Proces produkcyjny można podzielić na operacje związane z wykonaniem produktów, dla których określa się koszty ich realizacji. Koszt własny produktu to suma kosztów działań związanych z jego wykonaniem. Koszty Produktu K. obrotu Koszty ogólne 1 & 2 K. materiału K. umów z podwykon K. wytworzenia K. robocizny K. maszynowe Można wyróżnić następujące składniki kosztu wyrobu: Materiały bezpośrednie Płace bezpośrednie Bezpośrednie koszty maszynowe Koszty ogólne produkcji: o Materiały pośrednie (ew. nieidentyfikowalne wg produktu) o Płace pośrednie (kierownicy, nadgodziny, czas przestojów) o Amortyzacja maszyn wytwarzających różnorodne produkty, o Narzut na maszynogodzinę albo roboczogodzinę o Podział na narzut kosztów stałych i zmiennych Koszty nabycia Koszty obrotu magazynowego materiałów Rys. 8. Kalkulacja kosztów wyrobu IFS Applications

28 28 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, 2004 Podczas wykonywania kalkulacji wyrobu dokładny pomiar kosztów bezpośrednich tj materiałów, płac, kosztów maszynowych jest stosunkowo łatwy do przeprowadzenia i zazwyczaj nie stanowi problemu dla przedsiębiorstwa. Pomiar kosztów pośrednich, zarówno wydziałowych, jak i ogólnozakładowych stanowiących zazwyczaj ok. 60% kosztów całkowitych jest zdecydowanie trudniejszy. Koszty bezpośredniej można opisać za pomocą prostej do zmierzenia wielkość np. godznia, tona sztuka, natomiast w przypadku kosztów pośrednich mamy zazwyczaj wartość, którą przy pomocy odpowiedniego klucza rozliczeniowego powinniśmy alokować do konkretnego wyrobu. Połączenie systemów zarządzania produkcją oraz kalkulacji kosztów pozwala nam w pełni panować nad kosztami zlecenia produkcyjnego. System IFS Applications umożliwia planowanie kosztów procesu produkcyjnego oraz symulację ich rozłożenia w czasie, czasu realizacji zlecenia, analizy progu rentowności Dzięki integracji z modułami magazynowym oraz księgowym pozwala na stałe monitorowanie kosztów wytworzenia. Historia zlecenia produkcyjnego wraz z jego kalkulacją są przechowywane w bazie danych, dzięki czemu możemy łatwo skontrolować czy dane zlecenie produkcyjne nie zostały obciążone nieuzasadnionymi kosztami. 5. Podsumowanie Rys. 9. IFS Applications Kalkulacja kosztów zlecenia produkcyjnego Potrzeba należytego uwzględnienia problematyki kosztów w przedsiębiorstwie wynika z zapotrzebowania kierownictwa zarówno na informacje dotyczące podejmowanych decyzji (ocena rentowności produktów czy efektywności gospodarowania ośrodków odpowiedzialności), jak i informacje umożliwiające motywowanie i kontrolę kierowników na różnych szczeblach zarządzania w przedsiębiorstwie. Planowania i zarządzanie kosztami, wymagają integracji wielu danych operacyjnych jak i finansowych przez zintegrowane systemy informatyczne. 6. Literatura: 1. Jagodziński Mieczysław: IFS Applications wprowadzenie, WSIiZ, Bielsko Biała Irena Sobańska Rachunek kosztów i rachunkowość zarządcza C.H, BECK Warszawa 2003

29 Adam Adamczyk, Mieczysław Jagodziński Wybrane aspekty kalkulacji kosztów produkcji z wykorzystaniem IFS Applications Robert S. Kaplan, Robin Cooper Zarządzanie kosztami i efektywnością Oficyna Ekonomiczna Kraków Pliki pomocy systemu IFS Applications. 5. Podręcznik użytkownika systemu IFS Applications. 6. Materiały szkoleniowe IFS Applications Training. 7. Strona domowa firmy Industrial & Financial Co.: ADAM ADAMCZYK adam.adamczyk@wp.pl MIECZYSŁAW JAGODZIŃSKI mjagod@zeus.polsl.gliwice.pl

30 30 Władysław Hoffmann, Marek Mikołajczyk Nowoczesne zastosowania geometrii fraktalnej WŁADYSŁAW HOFFMANN MAREK MIKOŁAJCZYK Uniwersytet Szczeciński Wydział Nauk Ekonomicznych i Zarządzania Instytut Informatyki w Zarządzaniu NOWOCZESNE ZASTOSOWANIA GEOMETRII FRAKTALNEJ Streszczenie Teoria Chaosu i geometria fraktalna to nowe pojęcia w nauce, jednak szybko zyskały dość duże zainteresowanie. Metody korzystające z właściwości fraktali okazały się często bardzo przydatne w wielu dziedzinach życia: do kompresji obrazu, generowania obiektów wyglądających naturalnie, a nawet w ekonomii. W artykule pokrótce przedstawiono podstawy geometrii fraktalnej i przedstawiono jej praktyczne zastosowania. 1. Fraktale definicja i cechy charakterystyczne W przyrodzie obiekty fraktalne występują bardzo często wystarczy spojrzeć na liście, naczynia krwionośne, łańcuchy górskie, linię brzegową, chmury itp., Czym jednak jest fraktal? Twórca teorii fraktali Benoit Mandelbrot twierdził, że fraktalem jest wszystko, natomiast figury typu prostokąt, koło, trójkąt są sztucznie wymyślone przez ludzi w celu uproszczenia opisu otaczającego nas świata. Sugerował, że figury takie nie mają odpowiedników w rzeczywistości. Niestety taka definicja jest zdecydowanie za mało precyzyjna, więc warto przytoczyć dokładniejszą, zawartą w pracy prof. Kudrewicza Fraktale i chaos : "Fraktalem na płaszczyźnie nazywamy dowolny niepusty i zwarty podzbiór płaszczyzny X ". Należy również dodać, że istnieje kilka cech, które muszą być spełnione, aby dany obiekt zdefiniować jako fraktal. Mandelbrot w swojej pracy napisał, że fraktale to zbiory płaskie, charakteryzujące się: - niecałkowitym wymiarem fraktalnym (ich wymiar nie jest liczbą całkowitą), - cechą samopodobieństwa, - nie są określone wzorem matematycznym, tylko zależnością rekurencyjną. W tej definicji kryją się dwa pojęcia, które należy wyjaśnić. Przede wszystkim wymiar z elementarnego kursu matematyki wiadomo, że wymiar punktu jest równy zeru, prostej jeden, płaszczyzny dwa a przestrzeni trzy. Jeśli jednak rozpatrywana jest łamana na płaszczyźnie, to jaki jest jej wymiar? Intuicyjnie można stwierdzić, że większy niż jeden, jednak z pewnością nie tworzy płaszczyzny dwuwymiarowej. Na lekcjach geometrii uczniowie uczą się rozróżniać obiekty jednowymiarowe, (odcinek), dwuwymiarowe (koło, kwadrat) od trójwymiarowych (sześcian). Wiadomo również, że jeśli długość wszystkich ścian pokoju zostanie zwiększona dwukrotnie, to za parkiet trzeba będzie zapłacić cztery razy więcej. Jeśli natomiast rozmiar odcinka wydrukowanego na papierze zostanie zwiększony trzykrotnie, to ilość potrzebnego tuszu do narysowania tak powiększonego odcinka też wzrośnie trzykrotnie. Tę intuicyjnie zrozumiałą własność można wykorzystać do zdefiniowania wymiaru fraktalnego:

31 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, ln N ( P) D = lim (1) P ln P gdzie P jest powiększeniem, a N(P) ilością tuszu niezbędną do narysowania P-krotnie powiększonego zbioru? Dla odcinka, zgodnie z przewidywaniami, otrzymujemy D odcinka = 1. Jednak w przypadku innych zbiorów, nawet tych zawartych na prostej, może być inaczej. Powiększając trzykrotnie samopodobny zbiór Cantora, wystarczy tylko dwukrotnie zwiększyć ilość zużytego tuszu drukarki. Ta obserwacja świadczy o tym, że wymiar zbioru Cantora jest mniejszy od jedności. Doprecyzowując szczegóły matematyczne, można podać ścisłą definicje wymiaru, która nie musi być liczbą naturalną, ale dla standardowych obiektów będzie dawać oczekiwany wynik 1, 2 lub 3[1]. Jeśli chodzi o zbiory płaskie, to można stwierdzić, że wymiar fraktalny takiego zbioru należy do przedziału [1,2]; jest miarą zmienności, postrzępienia szeregu, lub inaczej dostarcza informacji, jak bardzo krzywa wypełnia płaszczyznę [2]. Drugim pojęciem wymagającym omówienia jest samopodobieństwo. Dwa obiekty, niezależnie od ich wielkości są podobne, jeśli mają ten sam kształt, tj. równe kąty oraz odpowiednie odcinki proporcjonalne. Współczynnik proporcjonalności nazywa się współczynnikiem skalowania. Załóżmy, że jest dodatni i oznaczmy go literą p. Zbiór Γ nazywamy samopodobnym, jeżeli jest sumą rozłączonych, pomniejszych kopii samego siebie, lub gdy każdy fragment zbioru Γ, odpowiednio powiększony wygląda tak samo jak cały zbiór[3]. Jeśli pomniejszymy np. krzywą Kocha trzykrotnie rk= 1/3, a następnie fragment ten skopiujemy czterokrotnie i odpowiednio skleimy to ponownie otrzymamy krzywą Kocha. Typowym fraktalem występującym w naturze, w którym widać cechę samopodobieństwa to kalafior. Jego główka składa się z różyczek, które po oddzieleniu od reszty przypominają całą główkę, tyle, że w pomniejszeniu. Części te mogą być znowu podzielone na mniejsze części, które będą podobne do całego kalafiora. Ta własność przenosi się na kolejne trzy lub cztery generacje Efekt jest niewidoczny później gdyż następne podziały skutkują separowaniem zbyt małych części kalafiora. Jednak nawet w przypadku, gdy kopie całości pojawiają się we wszystkich stadiach i są kopiami dokładnymi, mogą występować różne rodzaje samopodobieństwa: - samopodobieństwo w punkcie przykładem może być okładka książki, która przedstawia rękę trzymająca tę właśnie książkę. Kopie w tym przypadku koncentrują się wokół jednego punktu i jedynie on ma własność samopodobieństwa. Punkt ten jest granicą, w której wielkości kopii maleją do zera. Inaczej mówiąc okładka książki jest samopodobna w tym punkcie. - samoafiniczność tutaj przykładem może być drzewo o podwójnych rozgałęzieniach. Całe drzewo składa się z pnia i dwóch pomniejszonych kopii całości. Dlatego coraz mniejsze kopie koncentrują się przy liściach. Całe drzewo nie jest więc samopodobne, ale samoafiniczne, tzn. pień nie jest podobny do całości, ale może być traktowany jako afiniczny obraz, który został sprasowany do linii. - ścisłe samopodobieństwo przykładami ścisłego samopodobieństwa może być krzywa Kocha albo trójkąt Sierpińskiego. W tych obiektach możemy znaleźć kopie całości w otoczeniu każdego jego punktu. 2. Przegląd klasycznych fraktali Geometria obok arytmetyki jest najstarszym działem matematyki. Już w starożytności osiągnęła wysoki stopień rozwoju, a gdy Euklides w IV w. p.n.e. przedstawił ją w Elementach w postaci aksjomatycznej, stała się na ponad dwa tysiąclecia wzorem precyzji myślenia nie tylko dla

32 32 Władysław Hoffmann, Marek Mikołajczyk Nowoczesne zastosowania geometrii fraktalnej matematyków. Za najnowszy etap rozwoju geometrii uważa się zwykle geometrię różniczkową, której dynamiczny rozwój nastąpił na początku naszego wieku i mimo, że nie zapomniano o tej dziedzinie, to można powiedzieć, że nie pojawiły się w niej żadne istotne nowe i ciekawe pojęcia. Tymczasem w ciągu ostatnich kilku lat powstała zaliczana do geometrii teoria fraktali, opisująca i badająca obiekty o strukturze odmiennej od tego, do czego przyzwyczaiła nas klasyczna geometria[4]. Pierwsze obiekty o tak nietypowej konstrukcji pojawiły się pod koniec XIX w - w roku 1883 Georg Cantor, niemiecki matematyk z uniwersytetu w Halle opublikował pracę, w której zaproponował konstrukcję nazwaną później jego imieniem jako zbioru o wyjątkowych własnościach. Odcinek [0,1] podzielił na trzy równe części i usunął środkową. Z pozostałymi dwoma odcinkami postąpił analogicznie. W konsekwencji takiego postępowania w granicy nieskończonej ilości kroków powstaje tzw. zbiór punktów Cantora. Niewiele później, w 1904 roku szwedzki matematyk Helge van Koch wprowadził krzywą nazywaną obecnie krzywą Kocha. Po połączeniu trzech odpowiednio obróconych egzemplarzy krzywej Kocha otrzymamy figurę zwaną płatkiem śniegu. Rys.1. Zbiór Cantora Budowę krzywej Kocha zaczyna się od linii prostej. Początkowy obiekt nosi nazwę inicjatora. Po jego podziale na trzy równe części w miejsce środkowej wstawiamy trójkąt równoboczny i usuwamy jego podstawę. Jest to podstawowy krok w konstrukcji. Po pomniejszeniu figura ta, w czterech egzemplarzach będzie służyć w kolejnych krokach. Nazywa się ją generatorem. Konstrukcję tworzymy w ten sposób, że każdy odcinek w figurze dzielimy na trzy części i zamiast środkowego wstawiamy generator, itd.[5] Rys.2.Krzywa Kocha Kolejny klasyczny fraktal, to stworzony przez polskiego matematyka, Wiesława Sierpińskiego trójkąt Sierpińskiego. Metoda tworzenia trójkąta jest następująca: Wybiera się środki trzech boków trójkąta. Punkty te, po połączeniu razem z wierzchołkami początkowego trójkąta wyznaczają cztery mniejsze trójkąty, z których usuwamy środkowy. Jest to krok podstawowy konstrukcji. Procedura jest powtarzana dla każdego z pozostałych trzech trójkątów, itd.

33 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, Rys.2.Trójkąt Sierpińskiego 3. Praktyczne zastosowania geometrii fraktalnej Jak już wcześniej wspomniano z fraktalami spotykamy się w naszym życiu codziennym. Linie brzegowe, łańcuchy górskie, niektóre owoce i warzywa wykazują cechy charakterystyczne dla fraktali. Niektóre zjawiska również charakteryzują się np. samopodobieństwiem w czasie. Dzięki odpowiednim badaniom i obserwacjom geometrię fraktalną i teorię chaosu deterministycznego można próbować stosować w wielu dziedzinach nauki. W 1991 roku na prestiżowym zjeździe SIGGRAPH (Special Interest Group of the Association for Computing Machinery (ACM)) przedstawiono zastosowanie geometrii fraktalnej do analizy obrazu. Technika ta wprowadzała nowy sposób binarnego cieniowania, użytecznego do wprowadzenia odcieni szarości do dwukolorowego urządzenia graficznego, takiego jak np. drukarka laserowa. Oprócz cieniowania geometrię fraktalną udało się zastosować do kompresji obrazu. W medycynie fraktali używa się do analizy obrazów tomograficznych, rozpoznawania komórek itp. W ten sposób przeprowadzone parę lat temu badania w ośrodku badawczym Mount Sinai w Nowy Jorku wskazały na zależność pomiędzy wymiarem fraktalnym chromosomu a rakiem. W psychologii naukowcy badający ludzkie oceny estetyczne stwierdzili, że istnieje zależność pomiędzy estetyką rysunku wygenerowanego za pomocą fraktala a jego wymiarem. Wraz z rozwojem geometrii fraktalnej ułatwiona została też codzienna praca grafików komputerowych. Gdy potrzebują oni obrazu stoku górskiego lub drzewa zamiast przeszukiwać setki zdjęć mogą posłużyć się odpowiednimi modelami do generowania tego typu obrazów. Istnieje możliwość wygenerowania wymaganego obiektu, co dzieje się za sprawą sparametryzowania programu. Z grafiki fraktalnej skorzystała też sztuka filmowa. Fraktale wykorzystano w filmie Star Trek II: The Wrath of Khan do przedstawienia krajobrazu planety Genesis, a także w filmie Powrót Jedi do stworzenia geografii księżyców Endora i zarysów Gwiazdy Śmierci. W ostatnim okresie obserwuje się coraz większą różnorodność metod, które są stosowane do analizy danych finansowych, a w szczególności do analizy finansowych szeregów czasowych. Siłą napędową, która spowodowała rozwój tych metod, była chęć stworzenia metody prognozowania cen finansowych (w szczególności kursów akcji), których stosowanie na rynku przynosiłoby ponadprzeciętne dochody. W ramach tego nurtu można wyróżnić następujące grupy metod (wymienione zostają jedynie te, które bezpośrednio dotyczą finansowych szeregów czasowych): - analiza techniczna;

34 34 Władysław Hoffmann, Marek Mikołajczyk Nowoczesne zastosowania geometrii fraktalnej - metody oparte na teorii procesów stochastycznych; - metody cybernetyki finansowej; - modele ekonometryczne; - teoria chaosu. Zwłaszcza ta ostatnia metoda zasługuje na uwagę. Okazuje się, że przy pewnych założeniach można kusić się o prognozowanie np. wyników finansowych spółek korzystając z metod teorii chaosu i geometrii fraktalnej. Istnieje szereg badań nad przewidywaniem zachowań notowań akcji. Liczenie wymiaru Minkowskiego z wykresu cen akcji może posłużyć do analizy trendów spółek. Udowodniono również, że ruchami kursów giełdowych rządzą prawa dynamiki nieliniowej, ukazując fraktalną geometrię polskiego rynku akcji. Trwają również badania nad wymiarem fraktalnym szeregów czasowych sprzedaży produktów w sieciach hipermarketów. Istnieje podejrzenie, że szeregi te wykazują cechy fraktali, co być może pozwoli na generowanie skuteczniejszych od dotychczasowych prognoz sprzedaży produktów w sieciach sklepów, które identyfikują swoich klientów. Warta weryfikacji jest również hipoteza, że samopodobieństwo w szeregach czasowych ma dość silny związek z sezonowością. Wadą metody jest fakt, że aby wyniki badań były rzetelne należy dysponować danymi z długiego okresu czasu (wiele próbek). Niestety dane ekonomiczne składają się z reguły z małej ilości obserwacji, z niezbyt długiego okresu. Tymczasem na podstawie takich danych trudno jednoznacznie wnioskować o istnieniu bądź nieistnieniu jakiejś struktury. Niektóre sygnały potwierdzają istnienie chaosu na giełdzie, inne temu zaprzeczają. Należałoby więc wypracować nowe metody badania danych ekonomicznych, mniej zależne od ilości dostępnych informacji[6]. Podsumowując można powiedzieć, że geometria fraktalna ma zastosowanie w wielu dziedzinach życia. Być może metody wyszukiwania samopodobnych wzorców w przyrodzie pomogą w tworzeniu zupełnie nowych teorii i wniosą jeszcze wiele nowych pomysłów w wielu dziedzinach nauki. 4. Literatura 1. K. Życzkowski, A. Łoziński Chaos, fraktale oraz euroatraktor, FOTON 80, 2003r 2. M. Zwolankowska: Fraktalna Geometria Polskiego Rynku Akcji, Wydawnictwo Naukowe Uniwersytetu Szczecińskiego, 2001r 3. H. Zawadzki: Chaotyczne systemy dynamiczne. Elementy teorii i wybrane przykłady ekonomiczne. Prace Naukowe AE im. K. Adamieckiego. Katowice 1996r. 4. E. Melnyczok, Systemy Funkcji Iterowanych, Białystok H.-O. Peitgen, H. Jurgens, D. Saupe: Granice Chaosu Fraktale Wydawnictwo Naukowe PWN, Warszawa 1997r. 6. K. Jajuga, D. Papla: Dynamiczne modele ekonometryczne V Ogólnopolskie Seminarium Naukowe w Toruniu, Toruń 1997r.

35 M. Łatuszyńska System symulacyjny wspomagający ocenę projektów infrastrukturalnych w transporcie 35 MAŁGORZATA ŁATUSZYŃSKA Uniwersytet Szczeciński SYSTEM SYMULACYJNY WSPOMAGAJĄCY OCENĘ PROJEKTÓW INFRASTRUKTURALNYCH W TRANSPORCIE Streszczenie W artykule przedstawiono organizację systemu symulacyjnego, którego celem jest dostarczanie kompleksowych informacji do oceny projektów inwestycyjnych w zakresie infrastruktury transportu. System pozwala na konstruowanie modelu symulacyjnego, generującego potrzebne dane, które mogą być wykorzystane w stosowanej przez decydenta metodzie oceny lub zestawione w formie tabeli porównawczej być bezpośrednio podstawą do podjęcia decyzji. 1. Wprowadzenie Postępujący proces integracji europejskiej zmienił w sposób zasadniczy podejście do zagadnień związanych z oceną przedsięwzięć w zakresie rozwoju infrastruktury transportu. Dążenie do harmonizacji transportu na skalę ogólnoeuropejską nadało nowy, strategiczny wymiar tym problemom. Stało się ważnym zachowanie zgodności polityki, programów i planów transportowych na trzech różnych szczeblach: paneuropejskim, narodowym i regionalnym. Nastąpił ponadto odwrót od klasycznego podejścia do planowania infrastruktury transportu, opartego tylko na kryterium efektywności ekonomicznej, w stronę podejść uwzględniających dodatkowo kryteria zrównoważoności i spójności 1. Warunkiem dokonania wiarygodnej oceny, bez względu na zastosowaną metodę oceny 2, jest posiadanie informacji na temat przewidywanych skutków realizacji każdego z obiecujących wariantów inwestycyjnych, które pojawiają się zarówno w systemie transportowym, jak i mocno powiązanych z nim systemach społeczno-ekonomicznym oraz ekologicznym 3. Informacje takie generowane są najczęściej za pomocą modeli. Przegląd literatury transportowej dowodzi, że w praktyce stosuje się różne modele w zależności od charakteru badanych konsekwencji. Do przewidywania skutków bezpośrednich, związanych głównie z ekonomiką systemu transportowego, używa się modeli transportowych; do mierzenia wpływu inwestycji w infrastrukturę korytarza transportowego na system ekologiczny i bezpieczeństwo ruchu - modeli środowiskowych (ang. environmental models); natomiast do przewidywania pośrednich skutków społeczno-ekonomicznych różnych modeli w zależności od rozważanego efektu. Modele te są modelami wycinkowymi, statycznymi, opartymi na podejściu analitycznym do rozwiązywaniu problemów i jako takie nie pozwalają na kompleksową i dynamiczną predykcję skutków realizacji projektów infrastrukturalnych. Według autora, warunkiem uzyskania 1 Powoduje to konieczność ujęcia w analizie projektów infrastrukturalnych takich zagadnień jak wpływ transportu na środowisko naturalne człowieka oraz rozwój społeczno-gospodarczy regionów objętych planowanymi inwestycjami [28]. 2 Większość metod oceny stosowanych w sektorze transportowym opiera się na standardach typu analiza kosztów-korzyści [5, 7, 9, 10, 22, 27, 15], analiza wielokryterialna [18, 20], analiza kosztów-efektywności [18, 21], analiza wpływu na środowisko, strategiczna analiza wpływu na środowisko [1, 4, 16, 26]. 3 Na temat możliwych efektów inwestycji w infrastrukturę transportu między innymi w [8, 9, 19].

36 36 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, 2004 odpowiedniego stopnia kompleksowości i wiarygodności analizy jest jednoczesne użycie wszystkich typów modeli z jednoczesnym uwzględnieniem wzajemnych powiązań. Model, który powstanie w wyniku zastosowania takiego zabiegu jest w niniejszym opracowaniu nazwany modelem holistycznym. Ze względu na wagę czynnika czasu w badaniach efektów decyzji infrastrukturalnych, model holistyczny powinien pozwalać na znajdowanie czasowych ścieżek, prowadzących do osiągnięcia pożądanego obrazu przyszłości, na drodze heurystycznych iteracji. Wymagane jest zatem zastosowanie odpowiedniej metody rozwiązywania modelu jest nią symulacja komputerowa. 2. System symulacyjny jako system wspomagania decyzji Podstawowym warunkiem zastosowania symulacji komputerowej jako techniki badawczej jest efektywne oprogramowanie modelu. Początkowo do tego celu służyły języki ogólnego zastosowania, następnie zaczęto opracowywać specjalistyczne języki symulacyjne. Kolejny etap w ewolucji narzędzi do symulacji komputerowej to powstanie tzw. pakietów symulacyjnych. Następna kategoria narzędzi symulacyjnych to system symulacyjny 4. W literaturze przedmiotu nie ma zbyt wielu opracowań na temat systemów symulacyjnych. Najczęściej określa się system symulacyjny jako taki pakiet komputerowy, który umożliwia wielokrotne wprowadzanie danych i modeli oraz wykonywanie obliczeń symulacyjnych za pomocą właściwych algorytmów, i zapamiętywanie tych obliczeń na trwałych nośnikach danych [24, s. 20]. Jest to jednak zbyt wąska definicja, która utożsamia system symulacyjny z pakietem symulacyjnym. Nie jest również właściwym uznawanie za system symulacyjny pakietu do modelowania graficznego 5. Za system symulacyjny można uznać takie narzędzie, które umożliwia pełną integrację różnych metod, modeli i danych w procesie modelowania. W nowoczesnych systemach symulacyjnych użytkownik powinien mieć do dyspozycji indywidualne, przystosowane do własnych potrzeb bazy metod, danych i modeli dostępne w trybie interaktywnym, pozwalającym na wielokrotne używanie tych samych elementów do tworzenia i rozwiązywania nowych modeli symulacyjnych. Komunikację pomiędzy składnikami systemu symulacyjnego, a użytkownikiem winien zapewniać język komunikacyjny - współcześnie najczęściej w postaci interfejsu graficznego [3, s. 200]. Przyjmuje się, że system symulacyjny w procesie symulacji komputerowej powinien spełniać następujące zadania [3, 17]: tworzenie formalnej struktury modelu za pomocą przyjaznego operatorowi systemu języka modelowania problemów decyzyjnych umożliwiającego korzystanie z różnych metod w trakcie konstruowania modelu; zapewnienie różnorodnych połączeń pojedynczych modeli, organizacja wywoływania modeli, manipulowanie modelami symulacyjnymi i ich komponentami (modułami); wprowadzanie, przechowywanie i manipulowanie danymi niezbędnymi przy tworzeniu modelu oraz dokonywaniu eksperymentów symulacyjnych, łącznie z importem danych z innych transakcyjnych systemów informatycznych oraz mechanizmem do automatycznego poszukiwania optymalnych parametrów modeli symulacyjnych; sterowanie procesem dokonywania eksperymentów symulacyjnych zapewniające interaktywne definiowanie eksperymentów, łącznie z szukaniem za pomocą komputera rozwiązań optymalnych; 4 Wiecej na temat ewolucji narzędzi symulacyjnych w [14, s ]. 5 Jak to ma miejsce w [25].

37 M. Łatuszyńska System symulacyjny wspomagający ocenę projektów infrastrukturalnych w transporcie 37 generowanie raportów zawierających wyniki symulacji wraz ze wstępną ich interpretacją. System symulacyjny stanowi pewien rodzaj komputerowego systemu wspomagania decyzji, którego podstawowym zadaniem jest tworzenie, rozwiązywanie i dokonywanie eksperymentów na modelu symulacyjnym (modelach) konstruowanym w celu wygenerowania informacji dotyczących przyszłości, na podstawie których podejmowane są głównie strategiczne decyzje. 3. Organizacja systemu KORTRANS W celu dostarczania kompleksowych informacji na temat predykcji skutków realizacji inwestycji infrastrukturalnych w formie umożliwiającej porównanie różnych wariantów projektów proponuje się zbudowanie systemu symulacyjnego, zwanego dalej systemem KORTRANS. Narzędziem generującym potrzebne decydentowi dane jest konstruowany specjalnie dla określonej sytuacji decyzyjnej (konkretnego projektu infrastrukturalnego) model symulacyjny. Nie przewiduje się, przynajmniej na tym etapie, dokonywania za pomocą systemu KORTRANS syntezy wyników symulacji, przykładowo w formie agregacji, polegającej na przypisaniu każdemu przewidywanemu efektowi wagi odpowiadającej jego względnemu znaczeniu i ujęciu w jeden współmierny wskaźnik, taki jak wartość (w analizie kosztów-korzyści) lub użyteczność (np. w analizie wielokryterialnej). Taka agregacja skutków służy co prawda od lat decydentom do porównywania różnych wariantów, ale ma wiele wad [23, s ]. Po pierwsze, w procesie agregacji traci się wiele informacji (np. informację, ze wysoki koszt jednego wariantu wynika z uwarunkowań środowiskowych, podczas gdy wysoki koszt innego wariantu wynika z trudności finansowych). Po drugie, każda skalarna miara wartości w dużym stopniu zależy od wag przypisywanych różnym skutkom i założeń, na których opierano się sprowadzając je do wspólnej jednostki miary. Często te niezwykle ważne czynniki są niejawne lub w decydującej mierze oparte na domysłach. Mogą one narzucić osobom podejmującym decyzję system wartości mający niewiele wspólnego z ich własnym. Przykładowo, analiza kosztów i korzyści milcząco zakłada, że jakaś korzyść o wartości jednej złotówki jest równa innego rodzaju korzyści o tej samej wartości. Jednak w wielu decyzjach publicznych korzyści pieniężne równoważne, lecz różniące się swą naturą, będą różnie oceniane przez przedstawicieli różnych grup nacisku, co występuje bardzo wyraźnie przy analizie międzynarodowych przedsięwzięć infrastrukturalnych. Ponadto, sprowadzając niewspółmierne skutki do miary pieniężnej, analiza kosztów-korzyści często musi opierać się na spekulacjach, aby odpowiedzieć na pytania, takie jak np.: jaka jest wartość wypadku śmiertelnego na drodze, czy wartość tysiąca takich wypadków jest dokładnie tysiąc razy większa? Po trzecie, metody agregacji są pomyślane jako pomoc dla jednej osoby, lub blisko związanej grupy osób, w wyborze takiego wariantu, który najlepiej oddaje jej sposób wartościowania (system wag). W przypadku takim jak ocena międzynarodowych planów infrastrukturalnych, gdzie mamy do czynienia z dużą liczbą osób odpowiedzialnych za decyzje, i to na różnych płaszczyznach organizacyjnych, powstają poważne trudności teoretyczne i praktyczne: czyj system wartości przyjąć (zagadnienie interpersonalnej konfrontacji wartości) oraz jakie względne wagi przypisuje grupa do preferencji poszczególnych jej członków (zagadnienie sprawiedliwego udziału)? W końcu, aby metody agregacji były poprawne z teoretycznego punktu widzenia, znaczenie każdego skutku powinno być niezależne od rozmiaru wszystkich pozostałych konsekwencji. W

38 38 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, 2004 rzeczywistości ten warunek nie jest spełniony w przypadku efektów rozwoju infrastruktury transportu, gdyż ich układ jest powiązany wzajemnymi relacjami, nierzadko zwrotnymi. Biorąc powyższe pod uwagę, zakłada się, że KORTRANS będzie udostępniał wyniki eksperymentów metodą pełnego zestawienia (niezagregowaną) efektów każdego wariantu w jednostkach naturalnych, za pomocą różnych porównawczych form prezentacji danych (tabel, wykresów, map). Ponadto przewiduje się możliwość dostarczania decydentowi informacji na temat wpływu rożnych czynników na zmiany danego wariantu planu oraz nakładów związanych z poszczególnymi wariantami rozwoju. UŻYTKOWNIK predykcja skutków decyzji wariant decyzyjny parametry sterowania eksperymentem symulacyjnym konstruowanie modelu w oparciu o moduły PODSYSTEM BANKU METOD System zarządzania bankiem Baza metod prezentacja wyników weryfikacji i szacowania wybór metod Interfejs użytkownika System pomocy Obsługa wejścia Biblioteka form prezentacji Obsługa wyjścia wariant decyzyjny parametry sterowania eksperymentem symulacyjnym konstruowanie Wyniki eksperymentów symulacyjnych PODSYSTEM BANKU DANYCH System zarządzania bankiem Baza modeli Biblioteka statystyki i ekonometrii Biblioteka funkcji standardowych Wyniki zapytań Archiwizowane wyniki symulacji zapytania Biblioteka modułów Biblioteka gotowych modeli oszacowane parametry i współczynniki PODSYSTEM BANKU DANYCH zapis wyników symulacji dane do szacowania parametrów i weryfikacji System zarządzania bankiem dane wejściowe do symulacji Zewnętrzne źródła danych dane z systemów informacji przestrzennej Baza danych dane z Internetu Zewnętrzne źródła danych Rys.1. Organizacja symulacyjnego systemu KORTRANS KORTRANS, w zamyśle autora koncepcji, ma być generatorem modeli symulacyjnych dających predykcję skutków wariantów scenariuszy projektu infrastrukturalnego, a budowanych przez użytkownika (decydenta, operatora, analityka) w oparciu o ideę modelowania modularnego 6. Architekturę systemu przedstawiono na rysunku. Obejmuje ona bank danych, bank modeli i bank metod. Przewiduje się, że bank danych będzie zawierać dane empiryczne między innymi w postaci szeregów czasowych, dotyczące badanego układu (sieć transportowa, system społecznoekonomiczny analizowanego obszaru, normy i wskaźniki ekologiczne). Dane te mogą być wykorzystywane do określania warunków początkowych symulacji, parametrów i związków funkcjonalnych pomiędzy zmiennymi modeli. Ponadto planuje się możliwość pobierania danych z systemów informacji przestrzennej typu GIS i prezentacji wyników w formie map. 6 Idea modelowania modularnego jest opisana w [12].

39 M. Łatuszyńska System symulacyjny wspomagający ocenę projektów infrastrukturalnych w transporcie 39 Bank modeli jest przeznaczony do przechowywania gotowych modeli symulacyjnych służących testowaniu różnych strategii rozwoju międzynarodowych korytarzy transportowych oraz modułów, na bazie których tworzone są modele. Bank metod obejmuje dostępne procedury i funkcje matematyczno-statystyczne, które są niezbędne do obróbki danych empirycznych, w przypadku szacowania struktury i parametrów modelu, jak również walidacji modeli symulacyjnych. Komunikację pomiędzy wymienionymi elementami systemu symulacyjnego, a użytkownikiem zapewnia graficzny interfejs użytkownika, pozwalający na manipulowanie gotowymi modułami, definiowanie i dokonywanie eksperymentów symulacyjnych oraz wizualizację otrzymywanych wyników. Tak zbudowany system symulacyjny będzie w pełni zintegrowanym, elastycznym, przyjaznym dla użytkownika systemem pozwalającym na: tworzenie i uruchamianie modeli symulacyjnych, których celem jest predykcja efektów różnych wariantów decyzji, związanych z realizacją konkretnych projektów infrastrukturalnych, przy różnych założeniach dotyczących teraźniejszości i przyszłości; łączenie modelu z wymaganymi danymi na poziomie regionalnym (krajowym) lub międzynarodowym (z wewnętrznej bazy danych lub dostępnych zdalnie poprzez system symulacyjny); wybór odpowiedniej metody estymacji danych wejściowych do modelu, weryfikacji modelu oraz kalkulacji jego elementów z banku metod; natychmiastowy podgląd wyników w postaci graficznej: w formie wykresów, tabel, map a także interaktywnych animacji. 4. Kierunki rozwoju systemu KORTRANS System symulacyjny KORTRANS jest przeznaczony dla decydentów kształtujących strategie transportowe. Decyzje podejmowane na tym szczeblu nie są decyzjami indywidualnymi. Wymagają wielu konsultacji z ekspertami, z organami odpowiedzialnymi za formułowanie polityki transportowej na różnych poziomach organizacyjnych (lokalnym, regionalnym, krajowym), a także z różnymi grupami nacisku. Można zatem stwierdzić, że są to decyzje grupowe 7. Dane, potrzebne do tworzenia i eksperymentowania na modelach symulacyjnych generujących predykcję skutków różnych wariantów projektów infrastrukturalnych, pochodzą z wielu źródeł. Moduły umieszczane w bibliotece modułów oraz metody w banku metod mogą być opracowywane przez naukowców z różnych instytucji naukowo-badawczych. Wszystko to składa się na obraz specyficznej sytuacji decyzyjnej, który w sposób jednoznaczny określa jeden z kierunków rozwoju systemu KORTRANS. System ten winien zapewniać możliwość wymiany informacji pomiędzy wszystkimi rozproszonymi terytorialnie uczestnikami procesu decyzyjnego, a także możliwość korzystania przez nich z jego zasobów. KORTRANS powinien zatem być wirtualnym, rozproszonym systemem symulacyjnym zorganizowanym jako otwarty system, z elementami rezydującymi na różnych serwerach w zintegrowanej sieci. Proponowana w poprzednim punkcie architektura umożliwia taką organizację systemu w ramach wielowarstwowej struktury klient - serwer zanurzonej w środowisku Internet/Intranet. 7 Przez pojęcie decyzji grupowych rozumie się tu za W.T. Bieleckim świadome postępowanie grupy decyzyjnej, według przyjętych procedur, mające na celu podjęcie jak najlepszej decyzji, wykorzystującej efekt synergiczny działania zespołowego [2, s

40 40 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, 2004 Innym kierunkiem rozwoju systemu KORTRANS może być wbudowanie do systemu symulacyjnego mechanizmów obsługi wszystkich technik symulacji komputerowej 8 oraz zastosowania na różnych etapach pracy z modelem symulacyjnym technik sztucznej inteligencji [13]. 5. Podsumowanie Realizacja konkretnych planów inwestycyjnych dotyczących infrastruktury transportu daje namacalne efekty. Są one długotrwałe i wielokierunkowe, co dodatkowo komplikuje proces decyzyjny, którego elementem jest przewidywanie efektów realizacji owych planów. Predykcja skutków to bardzo złożone zadanie, które wymaga dużej ilości danych i procedur. System symulacyjny KORTRANS może być narzędziem pozwalającym na ustrukturalizowanie i usystematyzowanie tego etapu. Ponadto, dzięki planowanej elastycznej organizacji systemu można go dostosować do wspomagania decyzji dotyczących innych, aczkolwiek podobnych problemów transportowych. 6. Literatura 1. A Study to Develop and Implement an Overall Strategy for EIA/SEA Research in the EU, European Commission, Brussels Bielecki W.T.: Informatyzacja zarządzania. PWE, Warszawa Biniek Z., System symulacyjny jako system wspomagania decyzji. [w:] Problemy informatyki stosowanej. Roczniki informatyki stosowanej Wydziału Informatyki PS nr 3, Wydawnictwo WIPS, Szczecin Case Studies on Strategic Environmental Assessment. Final Report: Volumes 1 & 2, European Commission, Brussels Ciesielski M.: Ekonomika infrastruktury transportowej. Wydawnictwo Akademii Ekonomicznej, Poznań Cubert, R. M., Fishwick, P. A.: Moose: An object-oriented multimodeling and simulation application framework. Departament of Computer & Information Science and Engineering, University of Florida Guidance on the Methodology for Multi-Modal Studies. DETR, London Kamińska T., Rusak M., Kryteria społeczno-ekonomiczne decyzji infrastrukturalnych w transporcie. Przegląd Komunikacyjny nr 3/ Kamińska T.: Makroekonomiczna ocena efektywności inwestycji infrastrukturalnych na przykładzie transportu. Wydawnictwo Uniwersytetu Gdańskiego, Gdańsk Kirkpatrick C., Weiss J.: Cost Benefit Analysis and Project Appraisal in Developing Countries. Edward Elgar, Cheltenham Królikowska B., Łatuszyńska M.: Rola danych w symulacyjnym systemie wspomagania decyzji. Ekonomika i Organizacja Przedsiębiorstwa nr 5(640), Instytut Organizacji i Zarządzania w Przemyśle, Warszawa 2003, s Łatuszyńska M., Modularne modelowanie efektów rozwoju międzynarodowych korytarzy transportowych, Ekonomika i Organizacja Przedsiębiorstwa 1(648), Instytut Organizacji i Zarządzania w Przemyśle, Warszawa 2004, s Przykładami systemów symulacyjnych umożliwiających jednoczesne korzystanie z techniki symulacji ciągłej i dyskretnej jest MOOSE [6] oraz FUNSYS [3].

41 M. Łatuszyńska System symulacyjny wspomagający ocenę projektów infrastrukturalnych w transporcie Łatuszyńska M.: Inteligentny system wspomagania decyzji. Ekonomika i Organizacja Przedsiębiorstwa nr 2(625), Instytut Organizacji i Zarządzania w Przemyśle, Warszawa 2002, s Łatuszyńska M.: Nowe nurty w rozwoju narzędzi do symulacji komputerowej, [w:] Systemy informatyczne. Zastosowania i wdrożenia, tom III, część 2. Grabara J.K., Nowak J.S. (red.), WNT, Warszawa-Szczyrk 2003, s Mackie PJ, Nellthorp J, Kiel J, Schade W, Nokkala M.: IASON Project Assessment Baseline. Deliverable 1. TNO Inro, Delft Netherlands Manual on Strategic Environmental Assessment of Transport Infrastructure Plans. European Commission DGVII, Brussels Modellierungssoftware, Proceedings der GMD - Tagung - Status und Anforderungen auf dem Gebiet der Modell-Software, IPES Bericht No , Bonn Multi-Criteria Analysis: A Manual. Department for Transport, Local Government and the Regions, Web Document February Nellthorp J., Mackie P., Bristow A.: Measurement and Valuation of the Impacts of Transport Initiatives. Deliverable D9: EUNET Socio-Economic and Spatial Impacts of Transport, Institute for Transport Studies, University of Leeds, Leeds Nijkamp P., Rietveld P. Voogd H.: Multicriteria Evaluation in Physical Planning. Elsevier, Amsterdam Politano A.: Cost-Effectiveness Considerations in Corridor Planning & Project Programming, Federal Highway Administration, Washington PROFIT: Overview of Methodologies and Practice. Project Funded by the European Commission under the Transport Rtd Programme of the 4 Th Framework Programme, Netherlands Economic Institute, Rotterdam Quade E.S.: Analiza systemowa: możliwości i ograniczenia. [w:] Analiza systemowa podstawy i metodologia. Findeisen W. (red.), PWN, Warszawa Sauerbier T.: Theorie un Praxis von Simulationssystemen, Vieweg Studium Technik, Wiesbaden Simulation als betriebliche Entscheidungshilfe. Witte T. (red.), Physica-Verlag, Heidelberg Tomlinson P., Fry Ch.: SEA and its Relationship to Transportation Projects. Paper presented at TRANS-TALK Project And Policy Evaluation Methodologies In Transport. Brussels TRANS-TALK - Project and Policy Evaluation Methodologies in Transport. Final report. Project Funded by the European Commission under the Transport RTD Programme of the 5th Framework Programme. The Interdisciplinary Centre For Comparative Research In The Social Sciences, Vienna Turro M.: Going Trans-European, Planning and Financing Transport Network for Europe, Pergamon, Amsterdam MAŁGORZATA ŁATUSZYŃSKA malgorzata.latuszynska@uoo.univ.szczecin.pl Uniwersytet Szczeciński Wydział Nauk Ekonomicznych i Zarządzania ul. Mickiewicza Szczecin

42 42 Piotr Komsta Dobór kryteriów oceny efektywności wdrożeń systemów zintegrowanych do wspomagania zarządzania przedsiębiorstwami PIOTR KOMSTA Wyższa Szkoła Zarządzania w Rzeszowie DOBÓR KRYTERIÓW OCENY EFEKTYWNOŚCI WDROŻEŃ SYSTEMÓW ZINTEGROWANYCH DO WSPOMAGANIA ZARZĄDZANIA PRZEDSIĘBIORSTWAMI Streszczenie Referat jest próbą praktycznego podejścia do oceny efektywności wdrożeń zintegrowanych systemów zarządzania klasy ERP. Na potrzeby niniejszego artykułu dokonano analizy wdrożeń zintegrowanych systemów zarządzania w 30 przedsiębiorstwach w Polsce. Do analizy wybrano przedsiębiorstwa, w których wdrożono najnowocześniejsze na rynku rozwiązania klasy ERP tj. IFS Applications oraz SAP/R3. W referacie opisano cele jakie wyznaczyły sobie przedsiębiorstwa odnośnie realizowanych projektów, opisano główne czynniki, które zdaniem przedsiębiorstw miały decydujące znaczenie w powodzeniu realizacji projektów oraz dokonano próby znalezienia tych obszarów analizy, które mogłyby stanowić kryterium oceny efektywności wdrażanych rozwiązań. 1. Strategia biznesowa wyznacza kierunki budowy strategii informacyjnej w przedsiębiorstwie Niezmiernie ważnym elementem procesów decyzyjnych w przedsiębiorstwie jest dostęp do informacji zarządczej. Rodzi się pytanie, jak budować strategię informacyjną w przedsiębiorstwie aby dostarczana informacja spełniała nasze oczekiwania i mogła stanowić podstawę podejmowania decyzji?. Strategia informacyjna w przedsiębiorstwie powinna być budowana w oparciu o założoną strategię biznesową. Innymi słowy potrzeby informacyjne w przedsiębiorstwie powinny wynikać bezpośrednio z realizowanych celów biznesowych. Strategia biznesowa wyznacza cele, a strategia informacyjna zabezpiecza informacje niezbędne do osiągania wyznaczonych przez firmę celów biznesowych. Wiele projektów informatycznych kończy się niepowodzeniem z uwagi na brak powiązania strategii informacyjnej ze strategią biznesową. Bardzo często zdarza się, że system został wdrożony i z technicznego punktu widzenia działa bez zarzutu ale dostarczane przez system informacje są niewystarczające i nie spełniają naszych oczekiwań. Przedsiębiorstwo wtedy traci podwójnie raz w związku z poniesieniem dużych zazwyczaj nakładów finansowych na wdrożenie rozwiązania, które nie przyniosło spodziewanych efektów, a z drugiej strony zmarnowano czas i wysiłek osób uczestniczących w projekcie, który można było wykorzystać w inny sposób. Na potrzeby niniejszego artykułu poddano analizie procesy wdrożeń najnowocześniejszych na rynku zintegrowanych systemów informatycznych klasy ERP (IFS Applications oraz SAP/R3) w 30 przedsiębiorstwach w Polsce 9. Do analizy wybrano zarówno przedsiębiorstwa produkcyjne jak i handlowe. W większości analizowanych przedsiębiorstw zauważono korelację pomiędzy celami strategicznymi przedsiębiorstwa, a wymaganiami odnośnie realizowanych projektów. Poniżej podano przykłady niektórych z nich: 9 Analizę dokonano na podstawie materiałów udostępnionych przez firmę IFS oraz SAP.

43 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr 2, Firmy handlowe Veracomp jest jedną z wiodących firm dystrybucyjnych w Polsce, której główną formą działalności jest sprzedaż nośników danych, materiałów eksploatacyjnych oraz urządzeń peryferyjnych. Jak podkreśla zarząd firmy priorytetem w strategii funkcjonowania przedsiębiorstwa jest pogłębianie relacji pomiędzy firmą a klientem. Jako narzędzie do realizacji tej strategii wybrano technologie internetowe wdrażając aplikację typu ebusiness jako jeden z elementów zintegrowanego systemu zarządzania. Postawiono wiele wymagań odnośnie realizowanego projektu. Rozwiązanie to miało na celu zautomatyzowanie procesu sprzedaży i w konsekwencji odciążenie handlowców, którzy zgodnie ze strategią firmy mogliby wykorzystać cenny czas na zindywidualizowaną obsługę klienta, stworzenie precyzyjnego systemu analitycznego umożliwiającego planowanie strategii działań w odniesieniu do poszczególnych klientów, usprawnienie zarządzania gospodarką magazynową, pełny dostęp klienta do informacji on-line nt stanów magazynowych oraz przeprowadzonych transakcji. Partex jest jedną z największych firm w Polsce zajmującą się dystrybucją markowych artykułów szkolno - biurowych. Jako jeden z celów strategicznych uznano dostęp do informacji zarządczej o każdym z obszarów działania przedsiębiorstwa. Realizacja tego celu miała się dokonać przez wdrożenie zintegrowanego systemu zarządzania. Zwrócono uwagę na następujące aspekty funkcjonalne aplikacji: wspomaganie w tworzeniu procedur dotyczących polityki cenowej (ma to szczególne znaczenie w przeprowadzaniu akcji promocyjnych i rabatowych), możliwość klasyfikacji klientów i produktów, ścisła kontrola płatności i blokowanie dłużników, precyzyjna kontrola stanów magazynowych, swobodny przepływ informacji pomiędzy poszczególnymi obszarami funkcjonowania przedsiębiorstwa. ORFE jest jednym z największych dystrybutorów leków w Polsce. Grupa ORFE zapewnia kompleksową obsługę procesu dystrybucji leków od producenta do apteki. Cel strategiczny jaki przyświecał firmie przed podjęciem decyzji o wdrożeniu systemu informatycznego to usprawnienie zarządzania finansami w całej grupie kapitałowej. Cel ten miał odzwierciedlenie w wymaganiach stawianych rozwiązaniu tj. spójność informacji w obrębie wszystkich modułów, prowadzenie księgowości wg różnych standardów rachunkowości, prowadzenie ewidencji w wielu walutach, możliwość przeprowadzania wielowymiarowych analiz rentowności jak również analiz kosztów, możliwość wprowadzenia standardów kontrolingowych w ramach całej grupy jako sposób na obniżenie kosztów. Arge zajmuje się obrotem hurtowym i detalicznym paliwami ciekłymi, olejami oraz akcesoriami samochodowymi. Arge zaliczana jest do największych prywatnych hurtowników paliw w Małopolsce i na Podkarpaciu. Dynamiczny rozwój firmy (przekształcenie w holding) spowodował, że eksploatowane systemy informatyczne nie były w stanie sprostać wciąż rosnącym wymaganiom odnośnie pozyskiwania istotnych dla firmy informacji. Za istotne elementy zintegrowanego systemu zarządzania ułatwiającego efektywne zarządzanie przedsiębiorstwem uznano: wspomaganie w kreowaniu polityki cenowej, windykację należności, planowanie zakupów, analizę rentowności poszczególnych obiektów firmy, bieżący monitoring procesów zachodzących w przedsiębiorstwie, szybkie sprawdzanie stanów magazynowych, możliwość analizy sprzedaży pod dowolnym kątem. Firmy produkcyjne

44 44 Piotr Komsta Dobór kryteriów oceny efektywności wdrożeń systemów zintegrowanych do wspomagania zarządzania przedsiębiorstwami Konskilde Industries jest jednym z czołowych producentów maszyn rolniczych i urządzeń dla rolnictwa w Europie. Przed wdrożeniem zintegrowanego systemu informatycznego każda z firm grupy posiadała własne niezależne systemy informatyczne. Brak porównywalności danych oraz brak integracji sprawiały, że pozyskiwanie informacji niezbędnych do zarządzania całą grupą kapitałową było mało efektywne. Cele jakie wyznaczono przed systemem zintegrowanym to przede wszystkim: możliwość konsolidacji sprawozdań i raportów w ramach całej grupy oraz stworzenie efektywnych narzędzi wspomagających procesy planowania na poziomie całej korporacji. Korzyści jakie spodziewano się osiągnąć po wdrożeniu systemu to: dostęp do informacji o wszystkich procesach produkcyjnych realizowanych w grupie kapitałowej, bieżąca informacja o stanie zamówień, poprawa efektywności zarządzania gospodarką magazynową a w konsekwencji obniżenie poziomu zapasów, poprawa efektywności zarządzania finansami firmy. Nowy Styl jest wiodącym producentem mebli biurowych w Europie. Firma powstała w 1992 r. Obecnie zatrudnia ok pracowników. Dynamiczny rozwój zawdzięcza głównie zdynamizowaniu sprzedaży na eksport. Rozwój przedsiębiorstwa sprawił, że eksploatowane systemy informatyczne nie były w stanie zaspokoić większości potrzeb. Kierownictwo firmy przed podjęciem decyzji o wyborze systemu miało świadomość, że musi być to system, który będzie nadążał za coraz to bardziej rozwijającym się przedsiębiorstwem, będzie w stanie obsłużyć zdefiniowane dla przedsiębiorstwa procesy, głównie w sferze planowania produkcji jak również obsługi magazynów, których efektem będzie redukcja zapasów, uproszczenie łańcucha dostaw jak również realizacja strategicznego celu jakim jest wprowadzenie modelu produkcji JiT. Yawal System jest jednym z największych w Polsce dostawców systemów profili aluminiowych. Firma stale współpracuje z ponad 300 firmami w kraju jak również prowadzi działalność eksportową. Rozwój firmy, powiększenie oferty sprawiło, że eksploatowane wcześniej narzędzia informatyczne stały się niewystarczające. Cele jakie spodziewano się osiągnąć po wdrożeniu zintegrowanego systemu zarządzania to przede wszystkim: poprawa obsługi klienta, minimalizacja stanów zapasów magazynowych, kontrola należności i zwiększenie efektywności ich ściągania. Zarząd firmy podejmując decyzję o wdrożeniu zintegrowanego systemu zarządzania miał świadomość, że bez usprawnienia wewnętrznego obiegu informacji firma ryzykowała obniżeniem efektywności działania. Na uwagę zasługuje fakt, że wybór systemu poprzedzony był wnikliwą analizą procesów zachodzących w przedsiębiorstwie a sam proces wdrożenia traktowany był jako pochodna tej analizy. Branża elektroenergetyczna Od 1998 roku obowiązuje w Polsce nowe Prawo Energetyczne regulujące przepisy obrotu energią. Nowe przepisy nałożyły szereg obowiązków na zakłady energetyczne m.in. konieczność ścisłego rozliczania kosztów funkcjonowania firmy zapewniając przejrzystość kalkulacji taryf i kosztów. Wraz z wejściem w życie nowych przepisów został uwolniony rynek elektroenergetyczny w Polsce zmuszając przedsiębiorstwa do zabiegania o klienta. W tym właśnie czasie wiele firm sektora energetycznego podjęło decyzję o wdrożeniu zintegrowanych systemów zarządzania. Z analiz wynika, że głównymi celami strategicznymi jakie wyznaczyły sobie przedsiębiorstwa w momencie uwolnienia rynku energetycznego w Polsce to: obniżenie kosztów działalności, wprowadzenie rachunku ekonomicznego podległych jednostek, konsolidacja (PKE), dostosowanie do wymogów nowego prawa energetycznego, szybka reakcja na potrzeby klienta. Realizacja tych celów bez sprawnych narzędzi informatycznych zapewniających szybki dostęp do rzetelnej informacji zarządczej byłaby trudna. W przedsiębiorstwach działały systemy

45 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr 2, informatyczne, które nie były zintegrowane, przepływ informacji był utrudniony, dane były niespójne i wymagały dużo czasu w celu ich uzgodnienia. We wszystkich analizowanych przedsiębiorstwach podjęcie decyzji o wyborze systemu poprzedzone było analizą, która miała na celu zdefiniowanie docelowych procesów zachodzących w przedsiębiorstwie, określenie docelowej struktury organizacyjnej i zdefiniowanie wymagań funkcjonalnych rozwiązania. Pomimo, że drogi do realizacji celów strategicznych w każdym z przedsiębiorstw były różne i wynikały z ich specyfiki funkcjonowania można było zauważyć pewne wspólne oczekiwania funkcjonalne odnośnie realizowanych projektów: - dostęp do informacji zarządczej o każdym z obszarów i procesów zachodzących w przedsiębiorstwie, - możliwość oceny kondycji ekonomicznej podległych jednostek organizacyjnych - wsparcie w zarządzaniu gospodarką remontową (Ten obszar działalności w sektorze energetycznym ma duży wpływ na wielkość ponoszonych kosztów produkcyjnych. Poza tym od sprawnego zarządzania tym obszarem zależy bezawaryjność urządzeń i ciągłość dostaw energii.), - wsparcie w zarządzaniu projektami inwestycyjnymi (analiza finansowa projektów inwestycyjnych, tworzenie budżetu, możliwość badania odchyleń). 2. Właściwy wybór rozwiązania czynnikiem wzrostu efektywności inwestycji w zintegrowane systemy zarządzania Każdy projekt informatyczny, a w szczególności inwestycje w zintegrowane systemy zarządzania obarczone są bardzo dużym ryzykiem. Można byłoby wymienić co najmniej trzy zasadnicze czynniki mające wpływ na efektywność inwestycji w zintegrowane systemy zarządzania: powiązanie strategii informacyjnej ze strategią biznesową, właściwy wybór rozwiązania oraz efektywnie prowadzony proces wdrożenia i szkoleń. Z przeprowadzonych analiz wynika, że najważniejszymi kryteriami wyboru rozwiązań jakie wymieniały analizowane przedsiębiorstwa były: Rozwiązania branżowe Trudno w dzisiejszych czasach sprzedać oprogramowanie, którego nie ma. Firmy decydowały się na rozwiązania sprawdzone, które można byłoby łatwo bez ponoszenia dodatkowych kosztów dopasować do realizowanych w firmie procesów. Wpływa to znacznie na skrócenie czasu realizacji projektu, a tym samym obniżenie kosztów inwestycji. Firmy wymieniały również tzw. wartość dodaną, dopasowując procesy w przedsiębiorstwie do zdefiniowanych w systemie standardów (sprawdzonych w innych przedsiębiorstwach o podobnym profilu działalności). Wiarygodność firmy Firmy decydując się na rozwiązania brały przede wszystkim pod uwagę pewność rozwoju produktu. Firmy informatyczne, które nie gwarantują stabilności, nie gwarantują, że sprzedawany przez nie produkt będzie rozwijany nie mają szans na realizację poważnych kontraktów. Modułowość Firmy w dzisiejszych czasach nie mogą sobie pozwolić na duże projekty trwające latami. Z analiz wynika, że szuka się rozwiązań dających się łatwo i szybko wdrożyć i przynoszących natychmiastowe efekty. Rozwiązaniem problemu jest modułowość systemu. Rzadko które z analizowanych przedsiębiorstw decydowało się na wdrożenie całości rozwiązania. Decydowano się na wdrożenie poszczególnych modułów i dochodzenie do pełnej funkcjonalności

46 46 Piotr Komsta Dobór kryteriów oceny efektywności wdrożeń systemów zintegrowanych do wspomagania zarządzania przedsiębiorstwami stopniowo. Zwracano również uwagę na kolejność wdrażanych modułów. Większość analizowanych firm wdrażała jako pierwszy moduł finansowo księgowy jako układ nerwowy całego przedsiębiorstwa. Te firmy, które zdecydowały się na inną kolejność wdrażanych modułów wskazywały, że był to zasadniczy błąd. Firma wdrażająca Projekty wdrożeń systemu IFS Applications były prowadzone przez firmę IFS natomiast większość wdrożeń SAP R/3 była realizowana przez wyspecjalizowane firmy konsultingowe. Firmy, które wybrały IFS Applications podkreślały, że jednym z czynników decydujących o wyborze systemu było prowadzenie wdrożenia przez producenta oprogramowania podkreślając, że bały się rozmycia odpowiedzialności. W obu przypadkach podkreślano dużą wiedzę i doświadczenie konsultantów biorących udział w projekcie jako czynnika mającego duży wpływ na efektywność realizowanych wdrożeń. Podkreślano nie tylko wiedzę merytoryczną wynikającą ze znajomości branży i działania systemu ale przede wszystkim umiejętność rozwiązywania konkretnych problemów. Metodologia wdrożenia Zarówno firma IFS jak również SAP wypracowały w oparciu o lata doświadczeń własne metodologie zapewniające szybkie i skuteczne wdrażanie rozwiązań. Firmy, w których realizowano powyższe projekty zgodnie podkreślały, że przyjęta metodologia wdrożeń ma duży wpływ na powodzenie projektu informatycznego. Zauważono również, że w firmach, które wybrały rozwiązania korporacyjne starano się stosować metodologię wdrożenia, która sprawdziła się w innych firmach korporacji. Jednak specyfika polskich przepisów i warunki funkcjonowania przedsiębiorstw w Polsce sprawiły, że musiano czasami zmodyfikować przyjęte metodologie wdrożeń korporacyjnych. Wszystkie firmy zgodnie podkreślały, że powodzenie realizacji projektu informatycznego zależy od zaangażowania obu stron zarówno firmy wdrażającej jak również klienta. Duży wpływ na powodzenie projektu poza zespołami wdrażającymi ma udział i zaangażowanie członków zarządu. Zwracano również uwagę na konieczność sformalizowania wszystkich etapów projektu oraz dokonywanie jak najmniejszej ilości zmian w systemie biorąc pod uwagę tylko te zmiany, które mają mocne uzasadnienie. Niektóre z przedsiębiorstw rezygnowały z pracy równoległej uważając to za zbyt kosztochłonne. Rozwiązania korporacyjne Firmy wybierały te rozwiązania, które były standardem korporacyjnym chociaż jak zastrzegały rozważano i analizowano inne rozwiązania. Wdrożenie rozwiązań korporacyjnych ułatwia standaryzację procesów zarządzania w całej grupie, ułatwia wprowadzanie procedur kontrolingowych oraz audytu wewnętrznego, obniża koszty implementacji rozwiązań. 3. Kryteria oceny efektywności wdrożeń zintegrowanych systemów zarządzania Problematyka inwestycji informatycznych jak również metod oceny ich efektywności jest przedmiotem wielu dyskusji, prac naukowych i publikacji. Pierwsze konferencje na temat inwestowania w technologie informacyjne były organizowane jeszcze początkiem lat 60. Inwestowanie w technologie informacyjne oraz ocena ich opłacalności jest wyjątkowo trudnym zagadnieniem. Pomimo wielu badań i opracowań na ten temat nie udało się do tej pory stworzyć uniwersalnych i powszechnie uznawalnych miar oceny efektywności tych procesów. Do najbardziej znanych metod oceny efektywności inwestycji informatycznych można zaliczyć analizę finansową oraz analizę wielokryterialną. Analiza finansowa

47 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr 2, U podstaw analizy finansowej leży założenie, że inwestycje w technologie informacyjne należy traktować jak każdą inną inwestycję, która przynosi dochód w postaci wymiernej. W analizie tej mają zastosowanie powszechnie znane metody oceny opłacalności inwestycji takie jak: wskaźnik ROI (return on investment), metodę aktualnej wartości netto (NPV net present value), metodę wewnętrznej stopu zwrotu (IRR internal rate of return). Szeroko na ten temat pisze Strassmann uważany obecnie za autorytet w dziedzinie oceny procesów inwestowania w technologie informacyjne. Podejście wielokryterialne Metoda ta uwzględnia nie tylko aspekt finansowy projektu ale bierze pod uwagę inne kryteria uwzględniające aspekt biznesowy i technologiczny inwestycji. Bierze się tutaj pod uwagę takie kryteria jak zgodność realizowanego projekt ze strategią firmy, jakość informacji dostarczanych kadrze zarządzającej, ryzyko związane z zaniechaniem inwestycji z punktu widzenia realizacji celów biznesowych, stopień integracji z wcześniejszymi systemami, zakres dodatkowych nakładów na infrastrukturę techniczną związaną z realizowanym projektem. Wdrażanie zintegrowanych systemów zarządzania nie może być celem samym w sobie. Z analizy wdrożeń systemów IFS i SAP wynika, że kadra zarządzająca traktowała wdrożenie nie jako oddzielny projekt ale element większego procesu zmierzającego do realizacji strategii firmy. Zintegrowany system zarządzania był narzędziem umożliwiającym realizację celów strategicznych przedsiębiorstwa. Jakie zatem kryteria przyjąć w ocenie efektywności takich inwestycji?. Trudno byłoby mówić o efektywnym wdrożeniu systemu informatycznego nawet wtedy kiedy zakończyłby się w terminie i w założonym budżecie i zgodnie z założonymi celami od strony funkcjonalnej gdyby nie osiągnięto celów strategicznych. W wielu przypadkach wydaje się, że nowoczesna technologia załatwi wszystko. Nic bardziej mylnego. Wiele przedsiębiorstw decyduje się na wykorzystanie internetu jako jednego z kanałów dystrybucji swoich produktów inwestując duże sumy pieniędzy na implementację takich rozwiązań. Po pewnym czasie okazuje się jednak, że pomimo, że projekt był prowadzony zgodnie z regułami sztuki nie przyniósł spodziewanych efektów. Przyczyna niepowodzenia projektu nie tkwiła w samym procesie wdrożenia ale błąd został popełniony na etapie definiowania strategii wybierając internet jako środek zwiększenia konkurencyjności przedsiębiorstwa. Handel elektroniczny w jednych biznesach się sprawdził w innych nie. Nie można zatem mówić o efektywności wdrożeń systemów informatycznych w oderwaniu od oceny przyjętej strategii biznesowej. Inny aspekt zagadnienia to wymierność. Przy analizie oceny efektywnościowej należy mieć świadomość, że realizacja niektórych celów strategicznych może mieć charakter wymierny np. obniżenie poziomu zapasów, skrócenie terminu realizacji zamówień, obniżenie poziomu nieplanowanych przestojów maszyn itp. Realizacja innych celów strategicznych jest trudna do zmierzenia i może mieć charakter opisowy np. zwiększenie odpowiedzialności pracowników za powierzone zadania, poprawa komunikacji pomiędzy wydziałami. Z przeprowadzonej analizy wdrożeń wynika, że każdy projekt był inny, nawet w przedsiębiorstwach tej samej branży. Nie można zatem mówić o uniwersalnej metodzie pomiaru efektywności, którą można byłoby zastosować w każdym z przedsiębiorstw. Wydaje się jednak słusznym biorąc pod uwagę aspekt strategiczny realizowanych projektów i roli narzędzi informatycznych jako środka realizacji zamierzonych celów, posiłkowanie się technikami i metodami przyjętymi we wdrażaniu Zrównoważonej Karty Wyników (Balanced Scorecard).

48 48 Piotr Komsta Dobór kryteriów oceny efektywności wdrożeń systemów zintegrowanych do wspomagania zarządzania przedsiębiorstwami Zrównoważona Karta Wyników jest koncepcją monitorowania strategii firmy opracowaną przez Roberta Kaplana i Davida Nortona. Zakłada ona przedstawienie strategii przedsiębiorstwa w postaci zestawu mierzalnych celów niezbędnych do realizacji misji firmy. Analiza ta jest prowadzona w czterech perspektywach: finansowej, klienta, procesów wewnętrznych, rozwoju i uczenia się. Analiza efektywności wdrożeń zintegrowanych systemów zarządzania w odniesieniu do realizowanej strategii firmy w tych czterech perspektywach wydaje się jak najbardziej na miejscu. Przy analizie efektywnościowej należałoby również uwzględnić wpływ wdrożenia zintegrowanego systemu zarządzania na całkowite koszty posiadania informatyki TCO (Total Cost of Ownership) w przedsiębiorstwie. Szczególnie interesująca jest metodyka pomiaru i analizy kosztów przyjęta przez firmę Gartner. Model TCO firmy Gartner zakłada podział kosztów posiadania informatyki na koszty bezpośrednie i koszty pośrednie. Koszty bezpośrednie można podzielić na pięć głównych klas kosztów [6]: hardware i software (wydatki na zakup sprzętu komputerowego oraz oprogramowania), zarządzanie (wydatki i robocizna związane z obsługą sieci i systemów ), wsparcie (robocizna związana z pracą helpdesku, prowadzeniem szkoleń, obsługa zamówień i podróży), rozwój (koszty projektowania, tworzenia, testowania nowych aplikacji, modyfikowania i pielęgnowania istniejących systemów), komunikacja (koszty łączy, linii telefonicznych, zdalnego dostępu do internetu). Do kosztów pośrednich zalicza się: koszty użytkownika końcowego, które obejmują koszty obsługi i samopomocy wzajemnej, pisanie własnych programów przez użytkowników (np. oprogramowanie arkuszy kalkulacyjnych, raporty), koszty przestojów, które dotyczą utraty produktywności na skutek planowanych i nieplanowanych przestojów konserwacyjnych, niedostępności zasobów, awarii. Inny aspekt zagadnienia w ocenie efektywnościowej wdrożeń zintegrowanych systemów zarządzania to badanie przyczyn niepowodzenia realizowanych projektów. Większość analizowanych firm jako główne czynniki wpływające na niepowodzenie inwestycji w zintegrowane systemy zarządzania wymieniała: źle zdefiniowane cele strategiczne, niewłaściwy wybór rozwiązania, zła organizacja projektu, nieefektywnie prowadzony proces wdrożenia, brak korelacji pomiędzy strategią biznesową firmy a strategią informacyjną, brak wsparcia projektu ze strony zarządu firmy.

49 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr 2, Literatura: 1. Renkema, T.J.W.: The IT Value Quest, J.Wiley, Chichester, Devern M., Kauffman R. Spring 2000: Discovering Potential and Realizing Value from Information Technology Investment. Jurnal of Management Information Systems, Vol 16, No Thomas Pisello and Paul Strassman, IT Value Chain Management Maximizing the ROI from IT Investments, The Information Economics Press, Strassmann, P.A.: The Business Value of Computers, Information Economics Press, New Canaan, Ittner C.D., Carr L.P., Measuring the Cost of Ownership. Journal of Cost Management, Tomasz Byzia, TCO, czyli zarządzanie kosztami posiadania informatyki, Infovide Warszawa, 2001, 7. Szyjewski Z., Piwowarski M., Ocena opłacalności inwestycji informatycznych, Human- Computer Interaction, Gdańsk, Ward, JM, P. Griffith, P. Whitmore: Evaluation and realization of IS/IT benefits: an empirical study of current practice, European Journal of Information Systems, 4, Kaplan R., Norton D., Jan/Feb 1996: Using the balanced scorecard as a strategic management system. Harvard Business Review, Vol 7, Iss Kaplan R.,Norton D., The Balanced Scorecard: Translating Strategy into Action, Harvard Business School Press, Boston, PIOTR KOMSTA p.komsta@interia.pl Wyższa Szkoła Zarządzania ul. Mickiewicza 1, Rzeszów

50 50 Magdalena Lipińska Transformacja zapytań rozmytych do bazy danych na zapytania w standardzie SQL MAGDALENA LIPIŃSKA Zakład Systemów Informatycznych Zarządzania Wydział Informatyki Politechniki Szczecińskiej TRANSFORMACJA ZAPYTAŃ ROZMYTYCH DO BAZY DANYCH NA ZAPYTANIA W STANDARDZIE SQL Streszczenie W artykule zaprezentowane są różne formy zapytań rozmytych do baz danych. Szczegółowa analiza tych zapytań stanowi klucz do ich zamiany na zapytania w standardzie SQL. Metoda tej transformacji to podstawowy mechanizm rozmytego języka zapytań. 1. Wstęp O wartości współczesnych baz danych stanowi ich gotowość informacyjna, która weryfikowana jest przede wszystkich w trakcie formułowania zapytania i otrzymywania odpowiedzi. Ponieważ ludzie myślą i opisują rzeczywistość w kategoriach informacji rozmytych ( obroty handlowca dużo spadły, handlowiec mało sprzedaje itp.), język zapytań jako podstawowy mechanizm komunikacji w nowoczesnych systemach baz danych musi uwzględniać zapis subiektywnych sądów, względnych wypowiedzi, rejestracji danych obarczonych pewnymi błędami pomiarowymi itp. Jedną z możliwości podniesienia jakości języków zapytań jest zatem zastosowanie logiki rozmytej zaproponowanej przez L.A. Zadeha [2]. Większa użyteczność rozmytych języków zapytań wynika m.in. z faktu, że informacje nieprecyzyjne są dla niektórych systemów jedynymi dostępnymi informacjami, a występujące ewentualnie informacje precyzyjne mogą być obarczone pewnym błędem pomiarowym [6]. Celem artykułu jest prezentacja transformacji różnych form zapytań rozmytych do zapytań w standardzie SQL. Metoda ta stanowi podstawowy mechanizm rozmytego języka zapytań. 2. Zapytania rozmyte W przypadku rozmytych języków zapytań nieostrość ma charakter temporalny i powstaje w czasie formułowania zapytania. Zapytanie do bazy danych jest nieprecyzyjne (rozmyte) jeśli zawiera przynajmniej jeden z poniższych elementów: wartości rozmyte; operatory arytmetyczne rozmyte; kwantyfikatory rozmyte. Zapytanie rozmyte możemy zatem przedstawić w następującej formie: SELECT A 1, A 2... FROM T 1, T 2... WHERE P 1 X OK O L P 2... gdzie: A - atrybut

51 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr 2, T - tabela P - predykat prosty O L - operator logiczny (AND, OR) X OK - współczynnik operatora kompensacyjnego (waga, próg reakcji) Natomiast predykat prosty możemy zdefiniować następująco: P = X K KA X O O X W W gdzie: X K wartość podobieństwa dla kwantyfikatora K K- kwantyfikator twardy (istnieje, wszyscy, żaden) lub rozmyty (prawie wszyscy, prawie żaden) X O wartość podobieństwa dla operatora arytmetycznego O O operator arytmetyczny twardy (=,!=, <, >, =>, =<) lub rozmyty (prawie =, prawie!=, prawie <, prawie >) X W wartość wg rozkładu możliwości/podobieństw dla warunku W konkretna wartość lub zmienna lingwistyczna. T a b e l a 1 Tablica ODDZIAŁ rejestrująca odziały firmy Nr_od Oddział Pozostałe dane 001 Warszawa Szczecin Katowice... T a b e l a 2 Tablica HANDLOWCY rejestrująca dane zatrudnionych w działach handlowych pracowników Nr_h Nazwisko Imię Płeć Pozostałe dane Nr_od 001 Jurgiewicz Robert M Runiewicz Jan M Zalewski Sławomir M Kulczycka Joanna K Bieńkowski Wojciech M Matczak Regina K Rapcewicz Rafał M Stanisławski Jan M Kowalski Piotr M Jasiński Krzysztof M Tomczak Edmund M Wójtowicz Adam M

52 52 Magdalena Lipińska Transformacja zapytań rozmytych do bazy danych na zapytania w standardzie SQL T a b e l a 3 Tablica OBROTY rejestrująca obroty i ich spadek w porównaniu z poprzednim okresem Nr_h Obroty[zł] Spadek [%] , , , , , , , , , , , ,00 6 Dla zilustrowania problemu rozważymy zapytania do przykładowej bazy danych pewnej firmy handlowej, która ma trzy oddziały w Polsce i zatrudnia łącznie 12 handlowców (tab.1,2,3). Podstawowym kryterium oceny pracowników działów handlowych jest poziom ich obrotów oraz jego zmiany w czasie Nieprecyzyjne (rozmyte) wartości Wartość stanowi podstawowy składnik predykatu i w zapytaniu rozmytym może być zapisana jako konkretna liczba, tekst czy data albo w postaci zmiennej lingwistycznej. Dla atrybutów zapisanych w formacie liczbowym, jakim jest np. poziom obrotów, taka zmienna może przyjmować różne wartości w zależności od wysokości obrotów, co przedstawia tab. 4. W przykładowej bazie danych zamiast szukać handlowców o konkretnym poziomie obrotów szukamy handlowców, których poziom obrotów był bardzo słaby. W miejscu wartości liczbowej pojawia się zmienna lingwistyczna bardzo słaby. Jeżeli w rozważanym zapytaniu przyjmiemy wartość wg rozkładu możliwości na poziomie 0,6 (X W =0,6) to zapytanie rozmyte będzie miało następującą postać : SELECT A.IMIE, A.NAZWISKO FROM HANDLOWCY A, OBROTY B WHERE A.NR_H=B.NR_H AND B.OBROTY = 0.6 BARDZO SŁABY Ważnym zadaniem w realizacji zapytania jest rozumienie pojęć, zmiennych lingwistycznych (w tym przypadku bardzo słaby ) w kategoriach liczbowych i zapamiętywanie ich w bazie danych. Niestety proces rejestrowania rozmytych informacji w tradycyjnej bazie danych ściśle wiąże się z ich defuzyfikacją (wyostrzaniem) (tab.4). Jednym z rozwiązań, które pozwala na otrzymanie dobrych wyników działania języka zapytań, jest określenie dla przyjętych wskaźników funkcji przynależności [6] do zbioru. W tym przykładzie należy zdefiniować funkcję przynależności obrotów do rozmytego zbioru obrotów o

53 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr 2, bardzo słabym poziomie i obliczyć wartości dla poszczególnych poziomów obrotów. Wiemy, że wszystkie obroty równe i mniejsze od 2000,00 zł traktujemy jako złe lub krytyczne, a równe i większe od 4000,00zł są obrotami lepszymi od bardzo słabych, zatem F1 - funkcja określająca stopień przynależności obrotów do zbioru obrotów O o "bardzo słabym" poziomie przyjmuje dla nich wartość 0 (F1 = 0 dla O < =2000 i O>=4000). W kategoriach bardzo słabego poziomu na pewno rozpatrujemy obroty na poziomie 3000,00zł zatem dla takich obrotów funkcja przyjmie wartość 1 (F1 = 1 dla O =3000). Obroty z przedziału pomiędzy 2000,00 zł a 3000,00zł wraz ze wzrostem wartości w coraz większym stopniu przynależą do rozpatrywanego zbioru rozmytego, co można zdefiniować następująco: F1 = (O-2000)/1000 dla 2000 < O <3000. Natomiast obroty z przedziału 3000,00zł a 4000,00zł wraz ze wzrostem wartości w coraz mniejszym stopniu przynależą do zbioru O (F1 = (4000 O)/1000 dla 3000 < O <4000) (tab.5). T a b e l a 4 Rejestracja rozmytych informacji w tradycyjnej bazie danych Zmienna linwistyczna Obroty [zł] Krytyczny 1000,00 Zły 2000,00 Bardzo słaby 3000,00 Słaby 4000,00 Dostateczny 5000,00 Przeciętny 6000,00 Dobry 7000,00 Bardzo dobry 8000,00 Wyróżniający 9000,00 Znakomity 10000,00 T a b e l a 5 Funkcja przynależności O [tys. zł] do zbioru rozmytego obrotów o bardzo słabym poziomie (opracowanie własne na podst. [6]) O 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3,0 3,1 3,2 3,3 3,4 3,5 3,6 3,7 3,8 3,9 F1 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 Korzystając z relacji łączącej podobieństwa stanów jakościowych ze stopniami przynależności i rozkładu możliwości dokonujemy transformacji zapytania rozmytego do postaci tzw. twardej czyli w standardzie SQL: SELECT A.IMIE, A.NAZWISKO FROM HANDLOWCY A, OBROTY B WHERE A.NR_H=B.NR_H AND B.OBROTY <3400,00 AND B.OBROTY >2600,00 W zależności od rozkładu funkcji przynależności związanej z subiektywną oceną wartości atrybutu możemy otrzymać w wyniku działania rozmytego języka zapytań różne odpowiedzi. Jest to bardzo naturalne, gdyż każdy z użytkowników stwierdzając, że poziom obrotów jest bardzo

54 54 Magdalena Lipińska Transformacja zapytań rozmytych do bazy danych na zapytania w standardzie SQL słaby może mieć na uwadze inne wysokości obrotów. Dodatkowo ten sam użytkownik może zmienić swoje preferencje w czasie Nieprecyzyjne (rozmyte) operatory arytmetyczne Problem dotyczy zastąpienia w predykacie zapytania rozmytego klasycznych operatorów arytmetycznych odpowiednimi, tzn., nieostrymi operatorami takimi jak: prawie =, prawie!=, prawie <, prawie >. W powyższym przykładzie możemy szukać handlowców, których obroty spadły tak samo jak obroty Kowalskiego albo interesują nas tylko ci handlowcy, których obroty spadły prawie tak samo jak obroty Kowalskiego. W tym przypadku przy obranym współczynniku 0.8 (X O =0,8) zapytanie rozmyte miałoby postać: SELECT A.IMIE, A.NAZWISKO FROM HANDLOWCY A, OBROTY B WHERE A.NR_H=B.NR_H AND B.SPADEK 0.8 = (SELECT C.SPADEK FROM OBROTY C, HANDLOWCY D WHERE C.NR_H=D.NR_H AND D.NAZWISKO = KOWALSKI )) W przypadku transformacji zapytań z rozmytymi operatorami arytmetycznymi jednym z podstawowych działań jest budowa tablicy podobieństw, która określa nam wartość funkcji przynależności, w tym przypadku procentowego spadku obrotów, względem siebie. Relacja podobieństwa P na dziedzinie D jest relacją rozmytą, która przypisuje każdej parze wartości dziedziny D wartość z przedziału [0,1] czyli P:D D-> [0,1]. W tabeli 6 widać wyraźnie podstawowe własności tej relacji takie jak zwrotność (P(x,x)=1) czy symetryczność (P(x,y) = P(y,x)). Korzystając z tabeli podobieństw określamy wartość spadku obrotów, która przy 1% spadku Kowalskiego i wartości funkcji przynależności 0.8 wynosi 5% i mniej. Formułujemy zapytanie twarde: SELECT A.IMIE, A.NAZWISKO FROM HANDLOWCY A, OBROTY B WHERE A.NR_H=B.NR_H AND B.SPADEK =<5 T a b e l a 6 Tabela podobieństw spadków obrotów (opracowanie własne) Spadek obrotów [%]

55 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr 2, Budowa tablicy podobieństw, ponieważ opiera się na ustalaniu wartości funkcji przynależności, również uzależniona jest od indywidualnych preferencji użytkownika Nieprecyzyjne (rozmyte) kwantyfikatory W zapytaniu twardym kwantyfikatorem domyślnym jest kwantyfikator wszyscy lub w przypadku zaprzeczenia kwantyfikator żaden. Zazwyczaj nie szukamy wszystkich handlowców, których poziom obrotów był niższy niż 1400,00zł tylko handlowców, których poziom obrotów był niższy niż 1400,00zł. Rozmyty język zapytań daje nam możliwość zapytania o prawie wszystkich handlowców, których poziom obrotów był niższy niż 1400,00zł. Zapytanie rozmyte może mieć postać: SELECT A.IMIE, A.NAZWISKO FROM HANDLOWCY A, OBROTY B WHERE A.NR_H=B.NR_H AND 0.8 B.OBROTY =<1400,00 W przypadku rozmytych kwantyfikatorów współczynnik możemy traktować jako 80% krotek spełniających podany warunek. W tym przypadku musimy policzyć liczbę wszystkich krotek danej relacji i podać 80% z nich jako odpowiedź. Powyższy przykład ściśle koresponduje z opcją zapytania narzucającą nam maksymalna liczbę krotek. Jeżeli chcemy poznać pięciu handlowców z takimi obrotami zapytamy: SELECT 5 A.IMIE, A.NAZWISKO FROM HANDLOWCY A, OBROTY B WHERE A.NR_H=B.NR_H AND B.OBROTY =<1400,00 Zastosowanie kwantyfikatora rozmytego nabiera innego znaczenia, jeżeli np. interesują nas oddziały, w których nie pracują prawie żadne kobiety. Zapytanie rozmyte formułujemy następująco: SELECT ODDZIAŁ FROM ODDZIAŁ WHERE NR_OD NOT IN (SELECT DISTINCT A.NR_OD FROM ODDZIAŁ A, HANDLOWCY B WHERE A.NR_H=B.NR_H AND 0.8 B.PŁEĆ= K ) Po przyjęciu współczynnika 0.8 jako 80% krotek spełniających podany warunek szukamy wszystkich oddziałów, w których zatrudnionych jest 80% mężczyzn Operatory kompensacyjne Operatory kompensacyjne, najczęściej w postaci średniej geometrycznej, mają zastosowanie w przypadku łączenia predykatów i określają ich wspólny stopień przynależności. Jeżeli obiektem zainteresowania użytkownika systemu są szczególnie ci handlowcy, którzy mało sprzedają, ale nie dużo mniej niż w poprzednim okresie, to po zdefiniowaniu pojęcia "nie dużo mniej" jako mniej

56 56 Magdalena Lipińska Transformacja zapytań rozmytych do bazy danych na zapytania w standardzie SQL więcej 10% i bardzo słaby poziom obrotów czyli 3000,00zł możemy sformułować następujące pytanie: SELECT A.IMIE, A.NAZWISKO FROM HANDLOWCY A, OBROTY B WHERE A.NR_H=B.NR_H AND B.OBROTY =3000,00 AND B.SPADEK=<10 W praktyce jednak nie otrzymamy pełnych informacji o wydajności pracowników, gdyż na liście nie znajdą się ci, których obroty spadły o 11% niezależnie od obecnego ich poziomu. Jest to oczywiście wynik działania operatora logicznego "AND" w zastosowanej logice klasycznej. Po ustaleniu progu reakcji dla operatora kompensacyjnego 0.5 zapytanie rozmyte przyjmuje taką postać: SELECT A.IMIE, A.NAZWISKO FROM HANDLOWCY A, OBROTY B WHERE A.NR_H=B.NR_H AND B.OBROTY=3000, AND B.SPADEK=<10 Po zdefiniowaniu funkcji przynależności dla atrybutów obroty (tab. 5), aby móc otrzymać odpowiedź musimy jeszcze zdefiniować funkcję określająca stopień przynależności spadku obrotów S do zbioru spadków obrotów nie dużo mniej. Spadek obrotów mniejszy niż 5% możemy traktować jako bardzo mało zatem w tym przypadku wartość szukanej funkcji wynosi 1 (F2 = l dla S < =5). Wartość spadku obrotów powyżej 15% może być rozpatrywana już w kategoriach większego spadku, zatem dla takich spadków obrotów funkcja przyjmie wartość 0 (F2 = 0 dla S > = 15). Spadek obrotów z przedziału pomiędzy 5% a 15% wraz ze swoim wzrostem przyjmuje coraz mniejsze wartości funkcji: F2 = (15 S)/10 dla 5 < S <15 (tab.7). T a b e l a 7 Funkcja przynależności spadku obrotów do zbioru rozmytego spadków nie dużo mniej Spadek[%] F2 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 Po zastosowaniu średniej geometrycznej (tab. 8) zauważamy wówczas, że nawet handlowiec (012) mający obroty aż 3710,00 zł jest dla nas "ważny", jeśli jego spadek obrotów jest na poziomie tylko 6%. W wyniku takiego zapytania otrzymamy także handlowca (003), którego obroty spadły aż o 12%, ale obecny poziom jego obrotów wynosi tylko 2870,00zł. T a b e l a 8 Przykład zapisu relacji danych rozmytych z funkcjami przynależności F1, F2 Nr_h F1 F2 Średnia geometryczna 001 0,00 1,00 0, ,00 1,00 0, ,87 0,30 0, ,00 1,00 0, ,00 1,00 0, ,00 0,50 0, ,00 0,80 0, ,54 1,00 0,73

57 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr 2, Podsumowanie 009 0,00 1,00 0, ,00 0,70 0, ,25 0,60 0, ,29 0,90 0,51 W relacjach rozmytych spotykamy się ze zjawiskiem występowania częściowego tzn., że dana krotka może występować w jakimś stopniu (krotki ważone). Rozważając poziom "ważności" handlowca można zbudować taką relację, która wraz z poprzednio określoną tabelą podobieństw umożliwi formułowanie bardziej rozbudowanych zapytań do bazy danych. W skrajnych przypadkach może ona przybierać nietypową dla logiki konwencjonalnej postać typu: "W jakim stopniu dobry jest zły handlowiec?" lub "W jakim stopniu "wyróżniający" jest poziom "cenności" handlowca określanego mianem "krytyczny"?".[7] Różne preferencje użytkowników rozmytego języka zapytań determinują mnogość rozwiązań, co zwiększa użyteczność i podnosi gotowość informacyjną systemu baz danych. Uniwersalne zastosowanie takich systemów wymaga elastycznych narzędzi komunikacji i tu szczególny nacisk należy położyć na interakcję użytkownika w trakcie formułowania zapytania. Problem dotyczy przede wszystkim określenia nieprecyzyjnych wartości atrybutów tzn. budowy tablic podobieństw i definiowaniu osobistych funkcji przynależności. Wysokiej klasy rozmyty język zapytań powinien także, poza przechowywaniem informacji o preferencjach użytkownika, uwzględniać ich zmiany w czasie 4. Literatura 1. Kolman R., "Inżynieria jakości", PWE, Warszawa, Zadeh L.A., "Fuzzy Sets as a basis for a theory of possibility", "Fuzzy Sets and Systems", 1978, nr Zadeh L.A., "A Computational Approach to Fuzzy Quantifiers in Natural Languages", "Computational Mathematics applications", 9, 1983, nr Celko J., SQL zaawansowane techniki programowania, Wydawnictwo MIKOM,Warszawa Kacprzyk J., Ziółkowski A., Database queries with fuzzy linguistic quantifiers IEEE Transactions on Systems, Man and cybernetics. SMC, Piegat A., Modelowanie i sterowanie rozmyte, Akademicka Oficyna Wydawnicza Exit, Warszawa Lipińska M., Zastosowanie logiki rozmytej w systemach baz danych, Materiały VII Sesji Naukowej Informatyki, Szczecin 2002 MAGDALENA LIPIŃSKA mlipinska@wi.ps.pl Zakład Systemów Informatycznych Zarządzania Wydział Informatyki Politechniki Szczecińskiej ul. Żołnierska Szczecin, tel. (91)

58 58 Adrian Wolny Koncepcja doboru metodyk projektowania i narzędzi komputerowego wspomagania (CASE) do modelowania dynamiki systemów informacyjnych ADRIAN WOLNY Zakład Systemów Informatycznych Zarządzania Wydział Informatyki Politechnika Szczecińska KONCEPCJA DOBORU METODYK PROJEKTOWANIA I NARZĘDZI KOMPUTEROWEGO WSPOMAGANIA (CASE) DO MODELOWANIA DYNAMIKI SYSTEMÓW INFORMACYJNYCH. Streszczenie Artykuł dotyczy metodologicznych aspektów procesu tworzenia systemów informatycznych w kontekście jego złożoności, ze szczególnym uwzględnieniem modelowania dynamiki systemów informacyjnych. Autor przedstawia koncepcję prowadzonej pracy badawczej, mającej na celu rozwiązanie problemów właściwego doboru elementów środowiska pracy analityka-projektanta do realizacji przedsięwzięcia informatycznego. Artykuł ma charakter przyczynku monograficznego. 1. Wprowadzenie Złożoność systemów informacyjnych a szczególności zmienność ich struktury, pełnionych funkcji oraz zmienność danych w czasie, stanowiła zawsze wyzwanie dla twórców systemów informatycznych. Modelowanie dynamiki systemu informacyjnego jest jednym z kluczowych zagadnień w procesie tworzenia systemów informatycznych w inżynierii oprogramowania, z którym musi się zetknąć każdy zespół projektowy. W klasycznym modelu cyklu życia systemu informatycznego, rozwiązanie powierzonego zadania projektowego rozpoczyna się etapem analizy wymagań użytkownika. Na tym etapie następuje tzw. modelowanie konceptualne (ang. conceptual modeling), w którym analityk/projektant w oparciu o przyjętą metodologię i przy użyciu wybranych metod oraz technik konstruuje modele, odzwierciedlające rozpatrywane fragmenty rzeczywistości. Odwzorowanie [BAZEWICZ 1994, str. 21] ma na celu dostarczenie opisu sytuacji, określenie jej istoty i uwarunkowań, które dają podstawę i możliwość dokonywania dalszych transformacji. W zależności od charakteru rozpatrywanej rzeczywistości mogą zostać zastosowane różne techniki opisu, np.: formalne, (półformalne przyp. aut.), nieformalne, formatowane, jakościowe, ilościowe. Przy pomocy wyżej wymienionych metod, oraz technik graficznej reprezentacji w postaci diagramów (metody półformalne) - wiedza o projektowanych strukturach (modele statyczne) i zachowaniu systemów informacyjnych (modele dynamiczne) jest gromadzona poprzez wykorzystanie narzędzi komputerowego wspomagania (ang. CASE 10 ). 10 CASE skrót od Compuetr Aided System/Software Enginnering. przyp.aut.

59 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr 2, Wyjaśnienie terminologii i przedstawienie problemu Na początku rozważań nad tematem, niezbędne jest zdefiniowanie terminologii używanej w pracy badawczej. W związku z ograniczeniami objętości artykułu, autor przyjął następujące, podstawowe znaczenie stosowanej w artykule terminologii. Pod pojęciem metody CASE autor rozumie metody systematycznego wytwarzania systemów informatycznych wspierane technologią komputerowego wspomagania (CASE). Modelowanie w kontekście inżynierii oprogramowania to faza w cyklu życia systemu; (uproszczenie rzeczywistości wdrożenia) efektem modelowania jest model logiczny systemu informatycznego, który jest punktem wyjścia do tworzenia projekty technicznego systemu. Modelowanie to synteza postrzeganej rzeczywistości jej rezultatem może być informacja. Dynamika systemów (informacyjnych) informatycznych to zmiana w czasie struktury informacyjnej systemu tzw. struktury rzeczy i zdarzeń, gdzie rzecz to struktura informacyjna natomiast zdarzenie - gromadzenie faktów gospodarczych. System informacyjny to system umożliwiający rejestrację, przetwarzanie i udostępnianie danych, informacji. System ten może posługiwać się dowolnymi metodami i środkami technicznymi. System informatyczny to system w którym zastosowano sprzęt komputerowy do przechowywania, przetwarzania i udostępniania informacji. W inżynierii oprogramowania w procesie modelowania, stosuje się półformalne techniki opisu rzeczywistości w postaci diagramów, opisów czy grafów. Techniki te zanurzone są w metodologiach i metodykach projektowania systemów informatycznych 11. Najbardziej znanymi metodologiami strukturalnymi, są: Analiza Strukturalna DeMarco i Gane&Sarsona, SA/SD Yourdona, SSADM, SA/SD/RT Warda i Melora, SADT, metodologia Hatley a-pirbhai a. Do metodologii obiektowych zaliczane są m.in.: Obiektowo Zorientowana Analiza (ang. Object- Oriented Analysis autorstwa Shlaer a&mellor a, Coad a&yourdon a, Rumbaugh a itd.), Obiektowo Zorientowane Projektowanie (ang. Object-Oriented Design autorstwa Booch a, Coad a&yourdon a Roumbaugh, Wirfs-Brock a itd.), Jackson System Development (JSD). Trzeba zauważyć, że obecnie nastąpiło ujednolicenie standardów modelowania obiektowego, które jest wyrażane przez język UML 12. Modele statyczne definiują strukturę informacyjną modelowanego systemu informacyjnego poprzez: identyfikację obiektów i związki (relacji) występujące nimi w dziedzinie przedmiotowej. W metodykach obiektowych wyrażane jest to zazwyczaj w postaci diagramów klas (ang. class diagram) i diagramów przypadków użycia (ang. use case diagram), natomiast w metodykach strukturalnych w postaci diagramów związków encji (ang. entity relationship diagram) i diagramów przepływu danych (ang. data flow diagram). Z kolei modele dynamiczne ukazują aspekty dynamiczne, występujące w dziedziny przedmiotowej systemu informacyjnego (ukazują np. zmiany stanów obiektów rzeczywistych pod wpływem zdarzeń zachodzących na zewnątrz systemu lub zachowanie się systemu związane z upływem czasu). Są one wyrażane (w metodykach obiektowych np. w UML) przez diagramy przejść stanów (ang. state machine diagram) bądź diagramy aktywności (ang. activity diagram). W metodykach strukturalnych np. w klasycznej metodologii SSADM (ang. Structured System Analysis and Design Method) przez diagramy historii życia encji ELH (ang. Entity Life History) czy diagramy STD (ang. State Transition Diagram). 11 w inżynierii oprogramowania metodologie stosowane przy konstruowaniu systemów informatycznych ogólnie dzieli się na: obiektowe i strukturalne przyp.aut. 12 UML skrót od Unified Modeling Language tzn. Zunifikowany jezyk modelowania przyp.aut.

60 60 Adrian Wolny Koncepcja doboru metodyk projektowania i narzędzi komputerowego wspomagania (CASE) do modelowania dynamiki systemów informacyjnych Tak więc odwzorowanie w procesie tworzenia (rys. 1) sytemu informatycznego dotyczy zarówno aspektów statycznych jak i dynamicznych występujących w dziedzinie przedmiotowej, a mających ścisły związek z projektowanym systemem informatycznym. Zanim jednak nastąpi to odwzorowanie, należy zmierzyć się z problemem doboru elementów środowiska pracy projektanta, mając na uwadze charakter modelowanego systemu. Dziedzina przedmiotowa ggggggggggggggggg ggggg wyniki analiz cele, problemy, potrzeby informatyczne ggggggg modele Dziedziny Przedmiotowej reguly modelowania pojecia abstrtakcyjne fazy metody i techniki dokumentacja PROCES TWORZENIA konstruowanie zespól projektujacy parametry pakiety gggggggggg narzedzia komputerowego wspomagania zadania korekty i modyfikacje wspomaganie procesu TSI prezentacja i eksperymentalna eksploatacja system informatyczny Kryteria oceny akceptacja wdrozenia gggggggggggggggg Rys.1. Środowisko pracy projektanta (źródło: [WRYCZA 1988]) Na rysunki nr. 1 takimi elementami są: metody, techniki oraz narzędzia komputerowego wspomagania i modele dziedzinowe.

61 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr 2, Problemy związane z procesem tworzenia systemów informatycznych. Jak już wspomniano, proces opracowania systemu informatycznego osadzony jest w środowisku pracy analityka/projektanta na który składają się takie elementy jak: metodologia, metody i techniki, modele dziedzinowe (rys. 2). Metodologia Metody i techniki Modele dziedzinowe Pakiety CASE M1, M2,...Mi...,...Mn T1, T2,...Ti...,...Tn R1, R2,...Ri...,...Rn A1, A2,...Ai...,...An Środowisko - Warsztat - Projektant Badanie, wybór i integracja Potrzeby i cechy dziedzinowe Dopasowanie i skompletowanie odpowiedniej m etody Dziedzina przedmiotowa Proces projektowania System informatyczny (datalogiczny) Rys.2. Warsztat środowisko pracy projektanta (źródło: [BAZEWICZ 1994]) Rodzaj dziedziny problemowej (tzn. właściwości i cechy rozpatrywanego systemu informacyjnego) oraz pozostałe czynniki, takie jak m.in.: wielkość posiadanych zasobów finansowych oraz ludzkich, ograniczenia czasowe i przyjęta strategii w zarządzaniu projektem mają wpływ na wybór metodologii, metod i technik użytych do realizacji przedsięwzięcia. Analityk/projektant ma do dyspozycji różne metodologie, począwszy od obiektowych po strukturalne i związane z nimi odpowiednie metody i techniki. Wybór metodologii pociąga za sobą również konieczność wyboru narzędzia komputerowego wspomagania CASE. Chociaż zastosowanie nawet najlepszego narzędzia komputerowego wspomagania projektowania nie gwarantuje powodzenia przedsięwzięcia informatycznego, to aby usprawnić proces wytwórczy, od początku lat 80 stosuje się narzędzia CASE, które zapewniają: wykorzystanie stworzonych modeli na dalszych etapach cyklu życia systemu informatycznego (m.in. w fazie projektowania i implementacji) a ponadto pomagają uporządkować dokumentację projektową. Wysoki koszt oraz różnorodność tych narzędzi często jest dodatkową przeszkodą w podjęciu właściwej decyzji, odnośnie doboru właściwej dla dziedziny przedmiotowej metodologii. Zatem zasadniczym problemem dla projektanta przed rozpoczęciem modelowania jest przede wszystkim dobór odpowiedniej metodologii (wraz z metodami i technikami) oraz związanego z nią narzędzia komputerowego wspomagania.

62 62 Adrian Wolny Koncepcja doboru metodyk projektowania i narzędzi komputerowego wspomagania (CASE) do modelowania dynamiki systemów informacyjnych 4. Prowadzane badania W przypadku systemów złożonych, w struktura informacyjna systemu informatycznego podlega ciągłym zmianom, w następstwie zmieniających się potrzeb informacyjnych użytkowników Potrzeb tych nie sposób przewidzieć. Przykładem są szpitalne systemy informatyczne, w których informacji o każdym pacjencie i procesie jego leczenia nie można zapisać w szablonowych, raz ustalonych strukturach danych. Tego typu systemy informatyczne muszą posiadać architekturę systemu otwartego, który będzie w stanie ewolucyjnie się zmieniać wraz ze zmianą potrzeb informacyjnych. Prowadzone badania własne mają na celu znalezieni odpowiedzi na następujące, kluczowe pytania: W jakim stopniu metodyki stosowane na etapie analizy i projektowania systemów informatycznych wspierane narzędziami CASE uwzględniają dynamikę systemów informacyjnych? Które z nich (metodyk) wspierane narzędziami CASE w lepszym stopniu uwzględniają zmiany (dynamikę) systemów informacyjnych? Czy umożliwiają śledzenie tych zmian na etapie modelowania konceptualnego? Które z technik w ramach przyjętych (wybranych) metod lepiej oddają dynamikę systemów? Jak może się zmieniać struktura informacyjna systemu informatycznego i w jaki sposób zmiany te odzwierciedlane są na modelach w ramach metodyk? Jakie techniki w ramach metodyk są wspierane w ramach obecnie stosowanych narzędzi CASE? Autor opracował - w formie schematu - koncepcję prac która jest podstawą prowadzonych badań własnych w ramach pracy doktorskiej. Rys. 3 przedstawia schemat zawierający szereg działań, których przeprowadzenie pozwali - zdaniem autora na uzyskanie wyników dających odpowiedź na postawione uprzednio pytania. Schemat składa się z dwóch zasadniczych części: części DZIAŁANIE i części WYNIKI. W lewej części (DZIAŁANIE) ukazane są kroki które są przedmiotem działalności autora. Prawa strona schematu przedstawia przewidywane wyniki będące bezpośrednim rezultatem podjętych działań. Modelowanie systemu informacyjnego odbędzie się w oparciu o rzeczywisty przykład. Większość informacji na temat stanu istniejącego autor uzyskuje w wyniku przeprowadzonych wywiadów i konsultacji. Wiele spośród działań wykonywanych jest równolegle. Obecnie trwają prace nad zdefiniowaniem głównych problemów występujących w analizowanym systemie informacyjnym, oraz analiza wymagań użytkownika. Równolegle określana jest struktura informacyjna projektowanego systemu.

63 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr 2, DZIAŁANIE START W YNIKI Przegląd metod do modelowania dynamiki Definicja podstawowych pojęć Zdefiniowanie terminologi stosowanej w pracy Określenie kryterium wyboru metod Zdefiniowanie kryterium doboru metod W ybór 3 metod na podst. kryterium Porównanie technik w 3 wybranych metodach Użyteczność technik w metodach (tabela) Przykład rzeczywistego systemu informacyjnego Uzasadnienie wyboru do modelowania dynamiki Przegląd wybranych narzędzi CASE dla 3 metody Wybór 3 narzędzi CASE dla metod Porównanie narzędzi CASE wspierajacych wybrane 3 metody. tabela: narzędzia/techniki metody/narzedzia Zdefiniowanie problemu Analiza wymagań uzytkownika Określenie struktury informacyjnej Schemat opracował: Adrian Wolny MODELOWANIE Ocena metod CASE i ich użyteczności w modelowaniu dynamiki systemów informacyjnych WNIOSKI 1. Praktyczna weryfikacja wyboru metod i narzędzi CASE 2. Modele dynamiczne modelowanego systemu w wybranych metodach CASE W ytyczne do wyboru metod Kierunki rozwoju, koncepcja metody wzorcowej. Schemat opracował: Adrian Wolny Rys.3. Schemat opracowania oceny doboru metod i narzędzi CASE w modelowaniu dynamiki systemów informacyjnych (źródło: opracowanie własne)

64 64 Adrian Wolny Koncepcja doboru metodyk projektowania i narzędzi komputerowego wspomagania (CASE) do modelowania dynamiki systemów informacyjnych 3. Podsumowanie Przedstawiona koncepcja prac badawczych zwieńczona zostanie oceną metod CASE i ich użyteczności w modelowaniu dynamiki systemów informacyjnych. Autor pracy ma nadzieję, że uzyskane wyniki pozwolą na opracowanie kryteriów do wyboru metod, technik i narzędzi dla praktyki projektowania otwartych systemów informatycznych. Ze względu na ciągły rozwój metod, technik i narzędzi CASE, pomocnym też będzie określenie kierunków ich rozwoju. Końcowym celem pracy autora jest opracowanie koncepcji wzorcowej metody, która także w podejściu autorskim, pozwoli twórcy systemu zapanować nad koncepcyjnymi zmianami wynikającymi ze dynamicznego charakteru systemów informacyjnych. 4. Literatura 1. [SOMMERVILLE 2003]: Sommerville I.: Inżynieria oprogramowania. WNT, Warszawa [WRYCZA 1997]: Wrycza S.: Projektowanie systemów informatycznych Wydawnictwo UG, Gdańsk [BAZEWICZ 1994]: Bazewicz M.: Metody i techniki reprezentacji wiedzy w projektowaniu systemów. Wydawnictwo PW, Wrocław [BAZEWICZ 1995]: Bazewicz M, Collen A.: Podstawy metodologiczne ludzkiej aktywności i informatyki. Oficyna Wydawnicza PW, Wrocław 1995 ADRIAN WOLNY awolny@wi.ps.pl Zakład Systemów Informatycznych Zarządzania Wydział Informatyki PS Ul. Żołnierska Szczecin, tel. (0 91)

65 Robert Rusielik Atrakcyjność inwestowania w metody zarządzania wiedzą w agrobiznesie 65 ROBERT RUSIELIK Katedra Zarządzania Przedsiębiorstwami Akademia Rolnicza w Szczecinie ATRAKCYJNOŚĆ INWESTOWANIA W METODY ZARZĄDZANIA WIEDZĄ W AGROBIZNESIE Streszczenie W artykule została poruszona problematyka inwestowania w metody zarządzania wiedzą w agrobiznesie. Rozważania zostały oparte na krzywej atrakcyjności (Hype Cycle) opracowanej przez specjalistów z firmy Gartner Inc. Dojrzałość niektórych metod stwarza warunki do bezpiecznego inwestowania, co jest szansą dla firm agrobiznesu do budowania przewagi konkurencyjnej na przyszłym rynku. W artykule sygnalizacyjnie wskazano na potencjalne możliwości inwestowania firm agrobiznesu w konkretne metody i narzędzia zarządzania wiedzą. 1. Wstęp Zarządzanie wiedzą jest procesem biznesowym, który łączy w sobie technologię, praktykę i kompetencje w zarządzaniu aktywami intelektualnymi. W dobie pojawienia się rzeczywistej gospodarki opartej na wiedzy, również przedsiębiorstwa agrobiznesu muszą podążać zgodnie z tym trendem. Jak we wszystkich innych dziedzinach tak i tu menedżerowie muszą zarządzać w sytuacji narastającej masy nowych informacji i wiedzy. Także tu ważnym czynnikiem wpływającym na sukces firmy staje się wykorzystanie tych zasobów i przetworzenie ich na działania korzystne dla biznesu. Zastosowanie konkretnych metod na poziomie pojedynczego gospodarstwa jest zbyt kosztowne i mało efektywne, dlatego powstają i są realizowane różnego rodzaju projekty zrzeszające producentów, naukowców i specjalistów celu gromadzenia wiedzy i informacji. Informacje te wykorzystywane są następnie w identyfikowaniu tendencji, możliwości i istotnych zdarzeń dla prowadzenia agrobiznesu. Ze względu na koszty i ryzyko, inwestowanie w agrobiznesie w technologie związane z metodami zarządzania wiedzą, było do tej pory ograniczone. Jednak w ostatnich latach niektóre ze stosowanych praktyk, zwłaszcza te związane z zarządzaniem i dostępem do informacji, wiedzą o procesach i miejscami pracy opartymi na wiedzy wyszły już z fazy rozczarowania i weszły w obszar zainteresowania inwestorów bankowych. 2. Zainteresowanie metodami zarządzania wiedzą Według analityków firmy Gartner od roku 2002 zarządzanie wiedzą zostało uznane za niezbędny proces biznesowy. Po wcześniejszych wzlotach i upadkach, dyscyplina ta znalazła się znowu w centrum uwagi. Można to zobrazować na podstawie krzywej atrakcyjności (Hype Cycle) stworzonej przez wspomnianych analityków (Rys. 1). Na krzywej można pokazać graficznie dojrzałość, przyjęcie, zainteresowanie na rynku i zastosowania wybranych technologii w czasie. W naszym przypadku dotyczy to zainteresowania aplikacjami związanymi z KM. Na krzywej

66 66 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, 2004 przedstawionych jest 5 faz. W chwili obecnej zainteresowanie związane z KM znajdują się w fazie wzrostu akceptacji i około roku 2005 wejdzie w fazę stabilizacji. ZAINTERESOWANIE zarządzanie wiedzą dzisiaj DOJRZAŁOŚĆ wprowadzenie na rynek szczyt oczekiwań rynna rozczarowania zbocze akceptacji Rys. 1. Zainteresowanie zarządzaniem wiedzą Źródło: na podstawie [1][3]. płaskowyż stabilizacji 3. Atrakcyjność inwestowania w zarządzanie wiedzą Miejsce na krzywej można powiązać z atrakcyjnością inwestowania w daną dziedzinę. Ma to związek ze znajomością konkretnej technologii i oczekiwanym ryzykiem. Krzywa dla inwestorów przedstawiona jest na Rys. 2 [5]. Na krzywej można wyróżnić trzy fazy tj. fazę A, B i C. Faza A zaczynająca się w momencie pojawienia się technologii na rynku a kończąca się poza szczytem oczekiwań charakteryzuje się wysokim ryzykiem, wysokimi zyskami i największym odsetkiem niepowodzeń. Wdrażanie technologii w systemy zarządzania wiedzą jest drogie, poza tym systemy te w tej fazie nie maja charakteru masowego i funkcjonują raczej w formie prototypu. W fazie tej inwestują zazwyczaj fundusze inwestycyjne i kapitały wysokiego ryzyka (venture capital). Faza B nakłada się na fazę rozczarowania. W fazie tej organizacje stosujące nowe technologie tracą rozpęd. Zainteresowanie słabnie, co nie oznacza, ze stosowana technologia jest wadliwa. Raczej jest niemodna i dla dalszego jej rozwoju wymaga większej ilości inwestorów do kreowania nowych wersji ich produktów. Faza ta jest dobra do łączenia przedsięwzięć, fuzji firm,

67 Robert Rusielik Atrakcyjność inwestowania w metody zarządzania wiedzą w agrobiznesie 67 przejmowania firm, ich akcji itp. i właśnie w tym kierunku zmierzają przedsięwzięcia inwestycyjne. Faza C przebiega przez zbocze akceptacji i płaskowyż stabilizacji. Jest to ta faza, w której krzyżują się ryzyko i znajomość technologii. W fazach wcześniejszych ryzyko malało małymi krokami. Związane to było z relatywnie małą znajomością technologii. Jak krzywa znajomości technologii zaczyna rosnąć to poziom ryzyka wyraźnie spada. Jest to sygnał, że technologia wchodzi w fazę dojrzałości i jednocześnie znak dla inwestorów. Na początku tej fazy penetracja rynku wynosi jedynie około 5% natomiast po wejściu w fazę stabilizacji około 30%. ATRAKCYJNOŚĆ Faza B Znajomość technologii Faza A Faza C Ryzyko DOJRZAŁOŚĆ wprowadzenie na rynek szczyt oczekiwań rynna rozczarowania zbocze akceptacji Rys. 2. Krzywa atrakcyjności dla inwestorów Źródło: na podstawie [5]. płaskowyż stabilizacji 4. Atrakcyjność inwestowania w metody zarządzania wiedza w agrobiznesie Wg autorów krzywa atrakcyjności dotycząca zarządzania wiedzą jest długa i myląca, ponieważ na program zarządzania wiedzą składa się dużo praktyk, z których część jest dopiero w fazie rozwoju natomiast część osiągnęła już swoją dojrzałość [1]. Praktyki te można podzielić na pięć nakładających się kategorii [2]: - zarządzanie informacjami i dostęp do informacji, - wiedza o procesach, - miejsca pracy bazujące na wiedzy, - E-biznes, - zarządzanie kapitałem intelektualnym.

68 68 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, 2004 Na praktyki te składają się z kolei mniej lub bardziej dojrzałe metody (techniki). Część z nich można by było wykorzystać w agrobiznesie. Problem tkwi w pytaniu, jakie? Pomocna tu będzie opisywana krzywa atrakcyjności. Krzywa atrakcyjności dla poszczególnych metod (narzędzi) przedstawiona jest na Rys. 3. Jak widać niektóre zbliżają się do fazy dojrzałości, inne są szczytu oczekiwań, jeszcze inne dopiero wchodzą na rynek. 1 zarządzanie informacjami i dostęp ATRAKCYJNOŚĆ ROZWIĄZAŃ IC, IAM IPM osobiste zarządzanie wiedzą zarządzanie wiedzą w przeds. K-CRM nauka przez internet 5 2/5 3 5 społeczności wyszukiwanie ekspertów zespoły wirtualne wartościowanie kapitału intelektualnego zarządzanie innowacją/pomysłem 4 odwzorowanie wiedzy 1 współpraca 3 konkurencyjne informacje rozszerzone łańcuchy wartości 1 portale informacyjne przedsiębiorstw 3 zdobywanie wiedzy ukrytej 2 WPM 1 1 zarządzanie treściami 2 automatyczna indeksacja programy najlepszych praktyk 2 bazy wiedzy wiedza o procesach miejsce pracy bazujące na wiedzy E-biznes zarządzanie kapitałem ludzkim 2 metodyki w pakietach zarządzanie dokumentami 3 wprowadzenie na rynek szczyt oczekiwań rynna rozczarowania zbocze akceptacji Rys. 3. Krzywa atrakcyjności metod zarządzania wiedzą Źródło: na podstawie [2]. CZAS płaskowyż stabilizacji Zestawiając powyższy rysunek z krzywą dla inwestorów nasuwa się refleksja, że kategorie zarządzanie informacjami i dostęp i wiedza o procesach są już w pełni rozwinięte i większość metod z tej grupy została zaakceptowana, natomiast inwestowanie w nie jest już takie ryzykowne. Wydaje się, że przedsiębiorstwa agrobiznesu będą właśnie w tym obszarze wykorzystywać możliwości rozwoju w oparciu o gromadzona wiedzę. O ile zastosowanie ich na poziomie pojedynczego przedsiębiorstwa może być utrudnione, zwłaszcza przedsiębiorstwa typowo rolnego, to powstające programy krajowe, czy międzynarodowe, zrzeszające producentów, doradców, przedstawicieli świata nauki i gromadzące informacje z różnych obszarów agrobiznesu, potrafią już sprostać temu zadaniu. Inny aspekt wdrażania tych metod w agrobiznesie dotyczy finansowania tworzenia i zastosowania wiedzy ze środków publicznych [4]. Aspekt ten staje się istotny zwłaszcza w świetle integracji z Unia Europejską i z konkurencyjnością polskiego

69 Robert Rusielik Atrakcyjność inwestowania w metody zarządzania wiedzą w agrobiznesie 69 agrobiznesu, czy nawet konkurencyjnością europejskiego agrobiznesu w gospodarce światowej. W związku z istnieniem unijnych funduszy strukturalnych, zwłaszcza w rolnictwie, tworzone są systemy baz danych np. IACS, które w przyszłości mogłyby, być wykorzystane do tworzenia ogólnodostępnej wiedzy dla agrobiznesu finansowanej ze środków publicznych. 4. Podsumowanie W ostatnich latach można zaobserwować ponowny wzrost zainteresowania zarządzaniem wiedzą. Analizując zastosowania różnych metod i technik można zauważyć, że niektóre z nich są dojrzałe, a inwestowanie w nie wiąże się z dużym ryzykiem. Można przypuszczać, że zostanie to wykorzystane w przedsiębiorstwach agrobiznesu, które tak jak przedsiębiorstwa z innych obszarów życia gospodarczego będą musiały uznać zarządzanie wiedza za niezbędny proces biznesowy i źródło budowy przewagi konkurencyjnej. 5. Literatura 1. Caldwell F., K. Harris (2002) The Knowledge Management Hype Cycle. Gartner Research Note Caldwell F., K. Harris (2002) Cykl popularności metod zarządzania wiedzą w roku Knowledge Management, Zarządzanie Wiedzą w Organizacji. Strategie, Computerworld Custom Publishing. 3. Chauvel D., Ch. Despres (2002) Knowledge Management and the Management Development Function in European Business. The European Center for Knowledge Management. 4. Drelichowski L. (2003) Narzędzia, metody i środki finansowania zarządzania wiedzą w gospodarce, ochronie zdrowia i edukacji. Zastosowania informatyki i analizy systemowej w zarządzaniu. PAN Instytut Badań Systemowych. Warszawa. 5. Roussel A. M. (2003) Hype Cycle Help Investors Put the Claims Into Perspective. Gartner Research. DR INŻ. RUSIELIK ROBERT Wydział Ekonomiki i Organizacji Gospodarki Żywnościowej Akademia Rolnicza w Szczecinie Katedra Zarządzania Przedsiębiorstwami robert@e-ar.pl tel

70 70 Zbigniew Klonowski Systemy informatyczne gospodarowania wiedzą ZBIGNIEW J. KLONOWSKI Instytut Organizacji i Zarządzania Politechniki Wrocławskiej SYSTEMY INFORMATYCZNE GOSPODAROWANIA WIEDZĄ Streszczenie Zarządzanie (gospodarowanie) wiedzą odgrywa decydującą rolę w podnoszeniu zdolności konkurencyjnych współczesnych przedsiębiorstw. Przewaga rynkowa, osiągana jest jako rezultat umiejętności ciągłego doskonalenia, wprowadzania nowych idei i pomysłów, nowych wyrobów i usług, nowoczesnych technologii i rozwiązań organizacyjnych oraz zdolności do utrzymywania dobrych relacji z klientami. Rozwój technologii teleinformatycznych stał się czynnikiem warunkującym rozwój zastosowań metod i aplikacji z zakresu gospodarowania wiedzą. 1. Znaczenie wiedzy w zarządzaniu Podstawowym czynnikiem przewagi konkurencyjnej przedsiębiorstwa jest dysponowanie i sprawne operowanie wiedzą. Gospodarka Oparta na Wiedzy 13, inaczej gospodarka wiedzy 14, w coraz wyższym stopniu pozwala na skuteczne i efektywne konkurowanie w świecie w warunkach narastającej globalizacji. Gospodarka wiedzy funkcjonuje jako globalne środowisko wielu organizacji wiedzy. Zarządzanie organizacjami tego typu jest holistyczną koncepcją uwzględniającą wzajemne powiązania i oddziaływania wielu podmiotów gospodarczych w skali globalnej. Konkurowanie tych organizacji nie zachodzi jedynie, jak w tradycyjnym rozumieniu, poprzez możliwość oferowania produktów o wysokiej jakości, niskich kosztach i o krótkich cyklach realizacji oraz wysoką sprawność operacyjną. Zdolność konkurencyjna takich organizacji i w konsekwencji przewaga rynkowa, osiągane są jako rezultat umiejętności ciągłego doskonalenia, wprowadzania nowych idei i pomysłów, nowych wyrobów i usług, nowoczesnych technologii i rozwiązań organizacyjnych oraz zdolności do utrzymywania dobrych relacji z klientami. W ocenie wartości przedsiębiorstw coraz większego znaczenia nabierają pozabilansowe czynniki działania. O wartości rynkowej organizacji 15 nie decydują materialne składniki majątkowe a inne właściwości trudno mierzalne i policzalne metodami tradycyjnymi. Do czynników tych należą m.in. marka firmy, alianse z liczącymi się partnerami, posiadane patenty, prawa autorskie, zdolność do innowacji i zmian a przede wszystkim wiedza i szeroko rozumiana kultura organizacyjna w tym umiejętności oraz motywacja pracowników. Wiedza jest czynnikiem produkcji podobnie jak kapitał, praca, ziemia oraz inne czynniki determinujące wzrost gospodarczy. W opinii niektórych badaczy, takich jak Michael E. Porter, 13 OECD definiuje to pojęcie jako gospodarkę bezpośrednio opartą o wytwarzanie, dystrybucję oraz wykorzystanie wiedzy i informacji. 14 Gospodarka wiedzy postrzegana jest jako gospodarka społeczeństwa informacyjnego. 15 Różnica wartości księgowej przedsiębiorstw (notowanych na giełdzie) i wartości rynkowej wyrażonej w kursach akcji jest taka, iż cena rynkowa przewyższa w typowych sytuacjach wartość księgową od 3 do 4 razy. W 1965 IBM kupił Firmę LOTUS za 3,5 mld USD co stanowiło wówczas siedmiokrotną wartość księgową tej firmy. Szacuje się, że wartość rynkowa organizacji zaawansowanych technologii może przekraczać wartość księgową nawet sto i więcej razy.

71 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr 2, wiedza stała się najważniejszym z tych czynników. Wiedza 16 jest strategicznym zasobem, najpotężniejszym motorem produkcji 17 każdej organizacji. Różnicę pomiędzy wartością rynkową i wartością księgową określa się jako kapitał intelektualny organizacji, jako czynnik działania wpływający na zwiększania produktywności innych czynników produkcji. Według Strassmana kapitał wiedzy to wartość jaką klient jest skłonny zapłacić powyżej kosztów produkcji i sprzedaży produktu. We współczesnej a szczególnie przyszłej gospodarce coraz mniej będzie zależeć od gospodarowania zasobami finansowymi i materialnymi, a coraz więcej od umiejętności wykorzystania aktywów niematerialnych w tym ogólnie wiedzy m.in. umiejętności, przewagi intelektualnej i dobrych relacji z otoczeniem itp. Właściwe gospodarowanie tym zasobem 18 wymaga specyficznej wiedzy o operowaniu wiedzą, określonych metod i technik oraz odpowiedniego środowiska materialnego realizowania tych procesów. Źródłem nowej wiedzy w organizacji są zasoby wiedzy już posiadanej, wiedza pracowników łącznie z ich zdolnością do wykrywania i kreowania wiedzy oraz wiedza ze źródeł wewnętrznych i zewnętrznych. Rozwijanie wiedzy w przedsiębiorstwie jest procesem złożonym i wymaga racjonalnych form i odpowiedniego systemu gospodarowania. Gospodarowanie wiedzą będzie rozumiane praktycznie jako pozyskiwanie wiedzy, jej odpowiednie przetwarzanie, gromadzenie i udostępnianie do konkretnego działania. 2. Modele gospodarowania wiedzą W literaturze formułowanych jest wiele koncepcji i podejść do gospodarowania wiedzą, które się w różnym stopniu przenikają i uzupełniają. Wyróżnić można podejścia określane jako: japońskie, zasobowe, procesowe, systemowe, behawioralne i informatyczne 19. W podejściu behawiorystycznym gospodarowania wiedzą, podobnie jak w podejściu japońskim, uwzględniana jest znajomość i zrozumienie zachowania człowieka. Kluczem efektywnego przekazywania wiedzy jest jakość przepływu wiedzy między różnymi grupami pracowników we wspólnocie zawodowej, której członków łączą wspólne zainteresowania, problemy i cele. Wielu autorów definiując gospodarowanie wiedzą jako proces mierzalny i wyróżnia wiele jego podprocesów. P. Murray i A. Mayers (Strojny, 2000) przyjęli na podstawie przeprowadzonych badań, iż jest to ogół procesów umożliwiających tworzenie i wykorzystanie wiedzy do realizacji celów organizacji. Było to podstawą rozwiniętej przez T.H. Davenporta i L. Prusaka teorii podejścia procesowego. W podejściu zasobowym źródeł wiedzy Doroty Leonard-Barton z Harvard Business School, eksponuje się znaczenie kluczowych kompetencji (core competences) i kluczowych umiejętności (core capabilities) oraz zdolności wspólnego rozwiązywanie problemów (Strojny, 2000). Podejście systemowe bazuje na doświadczeniach i rozwiązaniach praktycznych wypracowanych głównie w 16 Wiedza jest obok klasycznych czynników produkcji: kapitału, pracy i ziemi uważana za czwarty czynnik. Wiedza to jedyny czynnik produkcji, do którego nie ma zastosowania prawo malejących przychodów. Proces dzielenia się wiedzą wcale nie powoduje jej ubywania, a wręcz jeszcze bardziej ją rozwija 17 Marshall w opublikowanych w 1890 Principles of Economics napisał: Wiedza jest najpotężniejszym motorem produkcji za (Karczmarek, 2003). W opinii niektórych ekonomistów, takich jak Michael E. Porter, stała się ona ostatnio najważniejszym z tych czynników. 18 Większość współczesnych autorów przyjęło określenie zarządzanie wiedzą. W niniejszej pracy przyjęto dla tych procesów z uwagi iż wiedza jest zasobem - określenie gospodarka wiedzą. Określenie to stosuje m.in. Prof. Andrzej P. Wierzbicki, patrz: Społeczeństwo informacyjne LOŻA EKSPERTÓW listopad 2001, 19 Te dwa ostatnie (Global Business, Techno-dzwignia, ISSN , nr 14 (59) 1999) za (Molasy, 2001).

72 72 Zbigniew Klonowski Systemy informatyczne gospodarowania wiedzą firmach konsultingowych. Bez względu na wyróżnione podprocesy koncepcja ta uwzględnia trzy procesy: tworzenie, kodyfikację i transfer wiedzy. W zależności od konkretnego rozwiązania wyróżnia się podprocesy: lokalizację, pozyskiwanie i retencję (identyfikowanie i tworzenie wewnątrz organizacji lub nabywanie z zewnątrz), kodyfikację (formalizacja), gromadzenie, przechowywanie (utrzymywanie), chronienie (metody organizacyjne, prawne), przeszukiwanie, przetwarzanie, rozwijanie, udostępnianie (dystrybuowanie, transfer, sprzedaż) i wykorzystywanie do realizacji celów organizacji i tworzenia wartości dodanej 20. Aby proces rozwijania wiedzy mógł być efektywnie realizowany i skutecznie wspomagać zdolności konkurencyjne organizacji, niezbędne są właściwe systemy gospodarowania wiedzą. Istnieje wiele koncepcji, podejść i modeli (Kotarba,2003) w tym zakresie. Do najczęściej prezentowanych modeli wiedzy i operowania nią należą modele: Probst a-raub a-romhardt a, Monaka-Takeuchi oraz Hedlund a. W koncepcji modelu Probsta, Rauba i Romhardta gospodarowania zasobami 21 intelektualnymi (Probst, Raub, Romhardt 2002), wyróżniono sześć podstawowych podprocesów kluczowych obszarów. Cele systemów gospodarowania wiedzą są formułowane jako konsekwencja celów strategicznych i operacyjnych organizacji a uzyskiwane wyniki są oceniane ze względu na stopień spełnienia oczekiwań użytkowników. Formułowanie celów systemu oraz wykrywanie i lokalizowanie wiedzy stanowi początek cyklu działania. Najistotniejsze wiadomości pochodzą ze źródeł zewnętrznych z takich jak klienci, partnerzy, konkurencja, ośrodki rozwoju technologii, uregulowania prawne i programy rozwoju gospodarczego, alianse polityczne i gospodarcze, rynki produktów substytucyjnych i subsubstytucyjnych oraz inne. Pozyskiwanie wiedzy realizuje się przez jej utrwalanie w zasobach systemu z możliwością dostępu do niej. Rozwijanie to rozszerzanie posiadanej wiedzy o zdobyte umiejętności np. badania rynku, tworzenia nowych produktów, usprawniania istniejących procesów a więc pobudzania kreatywności pracowników i rejestrowanie powstałej wiedzy. Dzielenie się wiedzą, w tym procesy jej rozpowszechniania, jest częścią procesu jej rozwijania. Wykorzystanie wiedzy utrwala w świadomości użytkowników znaczenie posiadanej wiedzy i jest warunkiem kreowania nowej wiedzy. Bezpośrednimi źródłami wiedzy i końcowymi odbiorcami-użytkownikami wiedzy są ludzie. Operowanie wiedzą sformalizowaną jest problemem złożonym ale w zasadzie technicznym, zadowalająco rozwiązywanym w systemach informatycznych. Istotną barierę w operowaniu wiedzą stanowią procesy intelektualne zachodzące w świadomości ludzi, procesy pozyskiwania wiedzy od ludzi, kreowania nowej wiedzy oraz jej przejmowanie przez ludzi. Zjawiska z tego obszaru objaśnia model Nonaki i Takeuchi ego (Monaka i Takeuchi, 2000). 20 Według badań IDC dotyczacych przedsiebiorstw z listy Fortune 500, straty z tytułu braku właściwego gospodarowania wiedzą oszacowano na kwotę 5850 USD na jednego pracownika rocznie. Oszacowano, że w roku 2003 firmy z listy Fortune 500 straciły z tego tytułu ogólem 31,5 mld USD. Ogólnie ocenia się, że pracownik wiedzy (knowledge worker) może, w wyniku stosowania właściwego systemu gospodarowania wiedzą, zaoszczędzić od proc. swojego czasu pracy. Według Forum Ekspertów "Teleinfo" - Zarzadzanie Wiedza, 9 czerwca W Cranfield School of Management w Wielkiej Brytanii zostały przeprowadzone w 1997 roku badania dotyczące rozumienia pojęcia "zarządzanie wiedzą". Polegały one na tym, że kierownikom różnych przedsiębiorstw został przedstawiony zbiór różnych definicji dotyczących "zarządzania wiedzą". 73 procent respondentów wskazało na definicję: "zarządzanie wiedzą to ogół procesów umożliwiających tworzenie, upowszechnianie i wykorzystanie wiedzy do realizacji celów organizacji" (W. Applehans, A. Globe, G. Laugero, "Managing Knowledge. A Practical Web-Based Approach", Addison-Wesley, b. m. w. 1999, str. 18).. Za. Brdulak, Wiedza i zarządzanie wiedzą,

73 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr 2, W modelu Nonaki i Takeuchi ego (rys. 1) zakłada się istnienie wiedzy w dwóch formach. W postaci ukrytej (tacit knowledge) i jawnej (dostępnej, sformalizowanej skodyfikowanej explicite knowledge). Wiedza ukryta wykorzystywana jest bezwiednie. Jej posiadacze na ogół nie są w stanie jej określić. Jest to wiedza podświadoma, trudna do jasnego wyartykułowania 22. Problemy wynikają z ogromnej liczby wyróżnialnych stanów w obserwowanej rzeczywistości i ograniczoności języka, jaki stosuje się przy jej abstrakcyjnym odwzorowaniu. Wiedza ta powstaje wraz z doświadczeniem i jest objaśniana przez analogie i metafory. Tradycyjnie wiedza ukryta przekazywana jest bezpośrednio w realacji mentor-uczeń. Są to wystarczająco efektywne metody wymiany wiedzy ale jedynie w małych grupach. Każda para rozmówców wytwarza jeden dwustronny kanał komunikacyjny. W miarę wzrostu liczebności grup ta forma wymiany wiedzy staje się nieefektywna 23. Wymagane są więc odpowiednie rozwiązania systemowe usprawniające te procesy. Szczególne znaczenie ma specyfika wiedzy ukrytej. Poszczególne jej rodzaje i konkretne treści związane są z określonymi jednostkami organizacyjnymi i stanowiskami. Siedliskiem wiedzy (miejscem jej przechowywania) zazwyczaj unikalnej, jest pamięć i świadomość poszczególnych, konkretnych pracowników. O istnieniu określonej wiedzy ukrytej i jej lokalizacji wie niewielu współpracowników z najbliższego kręgu lub w ogóle nikt o tym nie wie 24. Z praktyki wynika, że współzawodnictwo między pracownikami tej samej firmy lub grupami czy zespołami jest szkodliwe, ponieważ redukuje kreatywność. Wiedza ukryta 25 jest zasobem posiadanym przez pracownika a jedynie pośrednio jest zasobem organizacji. Odejście pracownika oznacza utratę wiedzy. Aby wiedza ukryta mogła być efektywnie stosowana i zachowana musi być uzewnętrzniona i przeniesiona do zasobów dostępnych w organizacji. Wiedza jawna, określana też jako uzewnętrzniona, jest jasno sprecyzowana, usystematyzowana wyrażana w formie symboli, słów i liczb, jako dokumenty (transakcje, raporty, instrukcje, procedury, regulaminów, polecenia, ) lub dane w systemach informatycznych. Jest to wiedza organizacji w formie dokumentów lub baz danych. Podstawowym założeniem, w tym modelu gospodarowania wiedzą, jest jej interakcja, ciągłe przekształcanie z jednej określonej formy w inną. Owym przekształceniom towarzyszy jej wzbogacanie, rozwijanie oraz dostosowywanie do różnych poziomów abstrakcji w postrzeganiu organizacji i jej otoczenia. Wyróżnione rodzaje przekształceń (rys. 1) to socjalizacja, externalizacja, kombinacja i internalizacja. Socjalizacja jest przekształcaniem wiedzy ukrytej w procesie jej przekazywania i wymiany pomiędzy członkami kooperującej społeczności 26. Następuje upowszechnienie modeli 22 Michael Polanyi objaśnia to w zdaniu: Wiemy więcej niż jesteśmy jesteśmy w stanie powiedzieć i w przykładzie wizerunku twarzy znanej osoby, którą łatwo jest rozpoznać pośród wielu ale mamy problem z jasnym jej opisaniem przy pomocy słów. 23 Dla ilustracji: liczba bezpośrednich kanałów przekazu dwustronnego rośnie od 1 dla dwóch rozmówców do n(n-1)/2 dla n rozmówców. 24 Sytuacja taka jest korzystna, w ograniczonym zakresie, dla dysponenta tej wiedzy. Często jest ukrywana przed najbliższym otoczenie dla osiągania osobistych korzyści. Dzielenie się wiedzą wymaga poświęcenia "bezproduktywnego" czasu na osobiste kontakty. 25 Ocenia się, że około 88 % wiedzy w typowej organizacji nie jest dostępna do wspólnego współużytkowania. Jedynie pozostała część jest sformalizowana i dostępna na dokumentach lub w zbiorach danych. 26 Wiedza jest uzewnętrzniana, początkowo nieśmiało, wobec najbliższych współpracowników a dalej na płaszczyźnie nieformalnych kontaktów zawodowych. W trakcie dyskusji buduje się przekonanie o trafności własnych poglądów jest to jednym z warunków by przybrały one postać wyartykułowanych koncepcji. Obserwacja, udział własny i doświadczenie są najlepszymi sposobami na przekazanie wiedzy ukrytej.

74 74 Zbigniew Klonowski Systemy informatyczne gospodarowania wiedzą mentalnych i określonych sposobów myślenia i wnioskowania. Wiedza ukryta przekazywana jest pomiędzy pracownikami i pozostaje nadal w formie ukrytej. Eksternalizacja (uzewnętrznianie) przekształcanie zgodnie z przyjętymi procedurami (rejestrowanie, kodowanie, kodyfikacja), wiedzy ukrytej w wiedzę jawną, dostępną w organizacji według przyjętych zasad. Kombinacja przekształcanie wiedzy jawnej w inną postać wiedzy jawnej (przetwarzanie danych), komunikacja, rozpowszechnianie, systematyzacja wiedzy jawnej. Internalizacja (uczenie się członków organizacji) przekształcanie wiedzy jawnej w ukrytą, osobistą członków organizacji (wykorzystanie doświadczeń i know-how zdobytego i utrwalonego przez innych). Interakcja pomiędzy formami wiedzy i poziomami (warstwami) systemu informacyjnego organizacji Pozim n + 1 Eksternacjonalizacja Przechwytywanie współdzielenie Pozim n Wiedza ukryta Wejście Socjalizacja Praca grupowa nadzór Internalizacja Uczenie się, przyswajanie Wiedza jawna Kombinacja Systematyzacja Wiedza jawna Wiedza ukryta Wyjście Rys. 1 Przekształcanie wiedzy ukrytej i jawnej w modelu Nonaki i Takeuchi ego. Źródło: według (Nonaka i Takeuchi, 2002) Interakcja pomiędzy wiedzą w różnych formach występowania 27 zachodzi również pomiędzy poziomami abstrakcji odwzorowania organizacji w systemie informacyjnym. Kolejne cykle przekształceń uwzględniają zachodzący przyrost wiedzy. Warstwowy i spiralny charakter procesów powstawania wiedzy uwzględnia trzy ontologiczne poziomy interakcji i przekształcania wiedzy: indywidualny, grupowy i organizacyjny. Szczególny nacisk w modelu kładzie się na niematerialność wiedzy, jej nieuchwytność, dynamiczność i że występuje w określonym miejscu i czasie. Spirala tworzenia wiedzy jest inicjowana przez cele organizacji. Cele te powinny być rozwinięte na cele pochodne i zaakceptowane przez pracowników a ci powinni mieć swobodę i odpowiednią autonomię w poszukiwaniu rozwiązań. Zbytnie formalizowanie procesów 27 Nieokreśloność stanu, form i charakteru wiedzy objaśnia Nonaka przytaczając koncepcję Βα. Pomysł ten został po raz pierwszy zaproponowany przez japońskiego filozofa K. Nishida jako koncepcja formy egzystencji. Wiedza według Nonaki jest niematerialna, dynamiczna i nieokreślona jej zastosowanie wymaga odpowiedniej koncentracji w ustalonym miejscu i czasie (przestrzeń Βα. Przestrzeń zaistnienia i interakcji może przybierać formę fizyczną, wirtualną, umysłową. Przestrzeń ta stanowi kontekst dla zachodzących tam procesów za: (Fazlagić, 2004).

75 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr 2, poszukiwania wiedzy ogranicza motywację i wydłuża czas reagowania na pojawiające się szanse i zagrożenia Istotnym zagrożenie dla procesów kreowania wiedzy jest brak odpowiedniej kultury komunikacyjnej w organizacji, powstawanie zantagonizowanych, hermetycznych grup interesów, które wymianę cennych informacji postrzegają jako osłabianie swojej pozycji. Aby procesy socjalizacji i internalizacji mogły być z powodzeniem realizowane należy stworzyć warunki organizacyjne dla różnorodnych form interakcji personalnych. Zagrożenie utraty wiedzy ukrytej oraz redukcji jej wartości, związane jest z jej wypływem (wiedza wyciekająca) w kontaktach pracowników z przedstawicielami firmach konkurencyjnych oraz w wyniku odchodzenia i zatrudniania się pracowników w takich firmach. Kolejnym modelem gospodarowania wiedzą jest model Gunnara Hedlunda. ze Stockholm School of Economics. Model uwzględnia tworzenie, reprezentację, składowanie, przekazywanie, przetwarzanie, zastosowanie i ochronę wiedzy. Podobnie jak w modelu Nonaki-Takeuchi ego wiedza organizacyjna występuje w podziale na wiedzę jawną ukrytą oraz cztery poziomy: indywidualny, grupowy, organizacyjny i międzyorganizacyjny w spirali wiedzy. Model tradycyjnej organizacji Hedlund określa jako M-form. Jest to struktura hierarchiczna i wielooddziałowa, dostosowana do zarządzania organizacją zdywersyfikowaną. Umożliwia ona łatwy nadzór w wielu apektach i zapobiega utratcie kontroli nad oddziałami. Decyzje operacyjne realizowane są na poziomie oddziałów a decyzje strategiczne odpowiednio na poziomie wyższym. Taki stan organizacji rodzi wiele negatywnych zjawisk w aspekcie gospodarowania wiedzą. Rozproszenie kadry na grupy według kryterium hierarchii zarządzania i produktowo-geograficzne powoduje powstawanie wąskich grup interesów, które cechuje oportunizm, krótkowzroczność, grupy te są zantagonizowane i nie współpracują. Alternatywną dla organizacji M-form jest model oznaczony jako N-form. Podstawowymi jego cechami jest tworzenie luźnych, tymczasowych, zadaniowych grup pracowników oraz komunikacja bezpośrednia równoległa i pozioma. W konsekwencji organizacja taka będzie zdolna do bardziej sprawnego gospodarowania wiedzą i osiągania przewagi konkurencyjnej. Wszystkie podejścia do problemu gospodarowania wiedzą w większym lub mniejszym stopniu akcentują behawioralne aspekty relacji człowieka w organizacji z innym człowiekiem wewnątrz organizacji lub w jej bliższym bądź dalszym otoczeniu. 3. Zastosowania informatyki w gospodarowaniu wiedzą Wszystkie zastosowania informatyki w zarządzaniu w wyniku rozwoju technologii informatycznych 28 ewoluują w kierunku określanym jako gospodarowanie/operowanie (zarządzanie) wiedzą. W każdym z tych zastosowań można znaleźć funkcjonalność należącą do tej dziedziny. W warunkach braku jasnych definicji powstało wiele aplikacji określanych jako systemy gospodarowania wiedzą. Właściwie każdy zaawansowany funkcjonalnie pakiet, wspomagający w organizacji w jakimś zakresie ogólnie rozumiane operowanie wiedzą, może być tak nazwany. 28 Z badań KPMG wynika, że w 69% przypadków system gospodarowania wiedzą (KM) pojawiły się wraz z rozwojem infrastruktury IT w organizacji.

76 76 Zbigniew Klonowski Systemy informatyczne gospodarowania wiedzą MRP II ERP-ERPII SRM SCM CRM BI KM PRM WF MES APS c-commerce e-commerce Objaśnienie oznaczeń przyjętych na rysunku c-commerce Collaborative commerce e-commerce APS BI CRM MES PRM SCM SRM WF KM Electronic commerce Advanced Planning & Scheduliling Tools Business Intelligence Customer Relationship Management Manufacturing Execution System Partner Relationship Management Supply Chain Management Supplyer Relationship Management Work Flow Knowledge Management (Gospodarowanie wiedzą) Rys. 2 Ogólny model ewolucja systemów informatycznych zarządzania. Źródło: Opracowanie własne. Systemy gospodarowania wiedzą wyewoluowały (por. rys. 2) z różnych typów systemów. Najczęściej są to aplikacje WF, CRM, CMS, BI, SCM czy proste systemy operowania dokumentami. Różna geneza odmian systemów KM i zastosowane technologie wpłynęły na ich właściwości funkcjonalne. Spośród wielu grup aplikacji z tego zakresu można wymienić przynajmniej niektóre. Wszelkie formy biuletynów elektronicznych (newsletter, słowniki, encyklopedie, biblioteki publikacji, ), które mogą mieć formę powiadomienia o jakiejś dostępnej wiadomości, może to być treść wiadomości, może to być stały serwis np. dla klientów na określony temat prenumerowany przez użytkownika, lub źródło określonych treści. Poczta elektroniczna, system przesyłania wiadomości pomiędzy różnymi grupami użytkowników, z informacją o statusie użytkowników i wiadomości. Grupy dyskusyjne (chat, forum, ) ogólnie dostępne miejsce w Internecie, lub w rzeczywistości (Executive Masterclasses) gdzie uczestnicy dzielą się swoimi doświadczeniami, spostrzeżeniami i pomysłami. Jest to forma współczesnej agory lub rzymskiego forum. Wymiana wiedzy w trybie tele-wideo-konferencji, forma jak biuletynie elektronicznym z imitacją kontaktu dźwiękowego lub wzrokowego uczestników (wirtualne pokoje konferencyjne). Systemy umożliwiające komunikację pomiędzy pracownikami w celu wspólnego rozwiązywania problemów i wymianę wiedzy. Gromadzenie, udostępnianie i przepływ dokumentów (Work Flow). Duża grupa aplikacji od specjalistycznych systemów gospodarowania dokumentami (repozytoria dokumentów, przeglądanie, edycja, katalogowanie, składowanie i wyszukiwanie dokumentów np. PDM29) do systemów umożliwiających operowanie w wyższym stopniu na treści (zawartości informacyjnej) dokumentów (np ECM30, CMS31 ). Pakiety te operują na dokumentach niesformalizowanych z wielu i różnych źródeł wiadomości w tym w szerokim zakresie z 29 PDM (Produkt Data Management) 30 ECM (Enterprise Content Management 31 CMS (Content Management System).

77 POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr 2, internetu. Są to pakiety w wysokim stopniu zintegrowane umożliwiające efektywne współużytkowanie z klientami i partnerami coraz szybciej rosnących zasobów wiedzy32. repozytorium (bazy) przypadków, aplikacje takie wykorzystywane są w organizacjach, w których kluczowym problemem jest gromadzenie doświadczeń z realizacji wcześniejszych własnych lub obcych przedsięwzięć (Best Practice Sparing). Podstawą jest odpowiednio sformalizowany model, np. opis bieżącego projektu, do jego elementów są w repozytorium wyszukiwane, odpowiednio do zidentyfikowanego problemu, możliwe warianty rozwiązań (problemy i ich rozwiązanie). Baza kompetencji jako usystematyzowane opisy kompetencji pracowników (specjalistów, ekspertów) łącznie z historią ich doświadczeń zawodowych, uczestnictwem w realizacji przedsięwzięć (zespołach zadaniowych, badawczych) i dorobkiem naukowym. Systemy kierowania realizacją przedsięwzięć (np. zarządzania projektami), uwzględniające repozytoria przypadków, work flow, biuletyny informacyjne, bazy kompetencji i inne. Wyszukiwanie informacji grupowanie, raporty, statystyki, alerty, analizy dynamiki, mapy wiedzy, eksploracja wiedzy, hurtownie danych, systemy agentowe (personalizowane roboty wyszukiwawcze, wiele rozproszonych aplikacji funkcjonujących według indywidualnych scenariuszy) Systemy obsługi zapytań. Bazy wiedzy w określonych dziedzinach działalności. Systemy ekspertowe aplikacje gromadzące i udostępniające użytkownikom wiedzę pozyskaną od ekspertów i z innych źródeł w tym fakty, reguły wnioskowania i procesy wspomagania decyzji.. Nauczanie na odległość (e-learning). Gromadzenie specyficznej wiedzy i procedur nauczania oraz wspomaganie procesów dydaktycznych (przekazywania, upowszechniania wiedzy). Odgrywa istotną rolę w budowaniu systemu i bazy kompetencji w organizacji. Systemy pracy grupowej to w istocie aplikacje integrujące funkcje właściwe dla Work Flow, grupy dyskusyjnej, repozytorium przypadków, bazy kompetencji i systemów kierowania przedsięwzięciami. Systemy wspomagania decyzji i systemy z bazą wiedzy wykorzystujących ideę sztucznej inteligencji. Środowiskiem technicznym realizacji tych funkcji jest sieć teleinformatyczne o zasięgu intranetu, ekstranetu a w zasadzie internetu z wszystkimi możliwymi usługami, z wykorzystaniem dostępu do aplikacji typowych o charakterze wewnętrznym (back office) oraz aplikacji obsługujących procesy również w otoczeniu organizacji (end office). Rozwój aplikacji do obsługi procesów gospodarowania wiedzą ma charakter wielokierunkowy i spontaniczny. Nagromadzenie doświadczeń użytkowników i twórców takich systemów umożliwi, podobnie jak miało to miejsce przypadku systemów typu MRP a potem ERP, sformułowanie pewnych ogólnych zasad ich budowy. 4. Zakończenie Zbudowanie sprawnego systemu gospodarowania wiedzą i przekroczenie pewnej krytycznej wielkości jej zasobów jest jednym z warunków osiągania wysokich wskaźników przedsiębiorczości, wzrostu ekonomicznego i przewagi konkurencyjnej oraz zbliżenie się do idei 32 Do tej grupy można zaliczyć m.in. produkty OfficeObjects (Rodan Systems), Panagon (FileNET/Optix Polska), OMS (ICL), SOD (Intelligence/Apcon/I&B System), DDM9000 (Logotec Engineering), Lotus Domino.Doc (Lotus Development), MIS Partner (MIS) czy Papirus 2000 (Softhard).

78 78 Zbigniew Klonowski Systemy informatyczne gospodarowania wiedzą organizacji inteligentnej (Grudzewski i Hejduk, s. 79). Gospodarowanie wiedzą jest poszukiwaniem równowagi pomiędzy stanem twórczego chaosu, atmosfery nieskrępowanego odkrywania nowych często nie uświadamianych cech i zależności otaczającego świata, a ustrukturyzowanym, systemowym wspieraniem procesów zarządzania organizacjami i kierowania ludźmi poprzez udostępnianie sformalizowanej wiedzy. 5. Literatura: 1. Grudzewski W. M., Hejduk I. K., Kreowanie w przedsiębiorstwie organizacji inteligentnej [W:] Przedsiębiorstwo przyszłości. Difin Warszawa Fazlagić A. Model sieci spirala wiedzy Karczmarek T., Gospodarka wiedzy Gazeta IT nr 5(13) maj 2003, 5. Kotarba M., Kotarba W., Model zarządzania wiedzą. Ekonomika i Organizacja Przedsiębiorstwa. Nr8(643) sierpień Molasy M., Technologie informacyjne w kształtowaniu systemów zarządzania przedsiębiorstwem, data utworzenia Nonaka I., Takeuchi H., Kreowanie Wiedzy w Organizacji. Polska Fundacja Promocji Kadr, Warszawa Prost G., Raub S., Romhardt K. Zarządzanie wiedzą w organizacji, Oficyna Ekonomiczna, Kraków Strojny M., Zarządzanie wiedzą: Ogólny zarys koncepcji, Przegląd Organizacji, 2/200 ZBIGNIEW J. KLONOWSKI Zbigniew.klonowski@pwr.wroc.pl Instytut Organizacji i Zarządzania Politechniki Wrocławskiej

79 Tomasz Dudek Zastosowanie teorii zbiorów przybliżonych do oceny preferencji klientów marketingowej hurtowni danych 79 TOMASZ DUDEK Politechnika Szczecińska Wydział Informatyki Instytut Systemów Informatycznych ZASTOSOWANIE TEORII ZBIORÓW PRZYBLIŻONYCH DO OCENY PREFERENCJI KLIENTÓW MARKETINGOWEJ HURTOWNI DANYCH Streszczenie W artykule zaprezentowano przykładowe zastosowania teorii zbiorów przybliżonych w analizie preferencji nabywców produktów firmy i ocenie potencjalnego klienta. Zastosowania te obejmują możliwości przeprowadzenia klasyfikacji klientów gdy dane o nich są niespójne lub częściowo sprzeczne. W oparciu o perorę zbiorów przybliżonych możliwe jest generowanie reguł opisu zbioru przypadków. 1. Wprowadzenie Jeszcze do niedawna działalność przedsiębiorstw koncentrowała się na produkcie, nie dostrzegając konieczności identyfikacji nabywcy, jego preferencji, oceny wartości i korzyści płynących z oferowanego przez firmę produktu lub usługi. Rozwój konkurencji i gospodarki rynkowej sprawił jednak, że firmy, aby redukować koszty i zwiększać udział w rynku zostały zmuszone do walki o klienta bowiem produkt czy usługa zaspakaja potrzeby klienta, gdy ma dla niego określoną wartość, przynosi klientowi odpowiednie dla niego szeroko rozumiane korzyści. Aby móc zabiegać o klientów, firmy musiały najpierw ustalić kim oni są i poznać ich potrzeby, preferencje, oceny. W tym celu by zdobyć niezbędne dane często korzysta się z komputerowego wsparcia takimi narzędziami jak hurtownie i bazy danych, analityczne przetwarzanie danych OLAP (ang. On line analitical processing), metody odkrywania informacji (wiedzy) (ang. data mining) czy narzędzia KDD (ang. knowledge discovery decision), które umożliwiają odkrywanie nieznanych wcześniej, a potencjalnie przydatnych prawidłowości i relacji ukrytych w danych.. Do grupy ważnych metod używanych w procesie odkrywania wiedzy należy klasyfikacja i rozpoznawanie zjawisk i parametrów badanych preferencji lub zachowań klientów badanie np. czy potencjalny klient będzie chciał nabyć produkt określonej marki, jakimi cechami można scharakteryzować potencjalnego klienta firmy, kto nie będzie potencjalnym klientem firmy, itp. Metody klasyfikacji stosowane są zwykle w pierwszej fazie obróbki danych i odkrywania wiedzy z danych. Ponieważ jednak dane, na których wykonuje się analizy zachowań klientów firm lub ich preferencji zawierają dane niepełne lub oparte częściowo na sprzecznych przesłankach to wydaje się, że w tym przypadku należy posłużyć się takimi metodami, które eliminują sztywne zasady przynależności do zbiorów (klas) i wprowadzają możliwość definiowania przynależności do zbioru w oparciu o tzw przybliżenie dolne i górne. W takim bowiem przypadku logika oparta na teorii zbiorów przybliżonych zyskuje nowe właściwości do rozwiązania wielu problemów wymagających inteligentnej analizy danych, poszukiwania zależności między danymi co w rezultacie umożliwia i wspomaga podejmowanie decyzji.

80 80 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, 2004 W artykule zaprezentowano przykładowe zastosowania teorii zbiorów przybliżonych w analizie preferencji potencjalnych nabywców produktów firmy i ocenie potencjalnego klienta. 2. Charakterystyka danych o klientach firmy Określenie relacji między postawą konsumenta (odpowiedź na pytanie w sprawie zakupu produktu firmy lub jego preferencji), a odpowiedzią na inne pytania pozwala na odkrycie, zbadanie, które z tych pytań ma wpływ, znaczenie na zakup i preferencje klienta. Zwykle głównym celem analizy i w efekcie celem podjęcia decyzji marketingowej bywa uzyskanie odpowiedzi na proste pytanie Jak wygląda i czym się charakteryzuje typowy nabywca oferowanego przez firmę produktu?. Na to pytanie można uzyskać odpowiedź, analizując dane pozyskane z ankiety, które dalej są źródłem do odkrywania wiedzy z tych danych. Wobec istnienia wielu metod odkrywania wiedzy z danych, podstawowym problemem staje się wybór odpowiedniej do potrzeb metody lub metod odkrywania wiedzy. Jedną z częściej stosowanych metod odkrywania wiedzy jest klasyfikacja. W klasycznych metodach klasyfikacji, opartych na ogólnej teorii zbiorów podstawą klasyfikacji są silne współzależne oświadczenia (odpowiedzi potencjalnych klientów), które pomagają w określeniu profilu potencjalnego nabywcy oraz zasada, że element (odpowiedź) należy albo nie należy do danej klasy. Taka klasyfikacja wymaga jednak określenia tzw. błędu klasyfikacji (odstępstwa od sztywnych zasad). Zwykle do weryfikacji procesu klasyfikacji stosuje się na podstawie dostępnych danych tzw. macierz pomyłek, z której między innymi wynika błąd procentowy klasyfikacji. Te błędy są wówczas podstawą do określenia wiarogodności klasyfikacji i wyciągniętych z tej klasyfikacji poprawnych wniosków. Ale dane ankietowe mogą zawierać sprzeczności i niespójności. Pod pojęciem danych niespójnych rozumie się takie dane (wyniki zamieszczone np. w ankietach), które posiadają identyczne lub podobne opisy, lecz zaliczane są do różnych pojęć. Gdy do analizy takich danych zastosowano by klasyczne metody klasyfikacji to oznaczałoby, że wśród tych danych znajdą się takie, które nie zostaną poprawnie zaklasyfikowane i w dalszej analizie zwykle się takie dane pomija. Takie rozwiązania mogą jednak prowadzić do utraty wielu cennych aspektów analizowanych własności i cech potencjalnych klientów. Jak zauważa Stefanowski [1] niespójność danych nie powinna być traktowana wyłącznie jako wynik błędu czy szumu informacyjnego ponieważ taka niespójność może być wynikiem wahań klienta, niestabilnością jego preferencji, niezrozumieniem zapytań ankietowych czy niepoprawnym przygotowaniem i przeprowadzeniem ankiety (np. niewłaściwy dobór reprezentatywnej grupy osób ankietowanych. Dlatego do analizy danych ankietowych często powinna być zastosowana klasyfikacja uwzględniająca te niespójności w danych oparta na tzw. zbiorach przybliżonych. 3. Zastosowanie teorii zbiorów przybliżonych do klasyfikacji klientów Dane o klientach uzyskane np. w wyniku przeprowadzenia ankietyzacji w reprezentatywnej grupie respondentów można scharakteryzować wieloma atrybutami, które mogą przyjmować określone wartości (najlepiej gdy są one wyrażone liczbowo np. w określonej skali ocen). Każda ankieta (zawierająca wartości przypisane badanym atrybutom) jest rozumiana jako obiekt, który może przynależeć do atomów klas. Z każdą ankietą związana jest decyzja ankietowanego (np. ocena chęci zakupu czy preferencji klienta). Dla zgromadzonych w wyniku ankietyzacji danych można opracować tzw. tablicą systemu informacyjnego dla procesu klasyfikacji, określania reguł

81 Tomasz Dudek Zastosowanie teorii zbiorów przybliżonych do oceny preferencji klientów marketingowej hurtowni danych 81 decyzyjnych i odkrywania wiedzy z danych o potencjalnych klientach firmy. Przykładową tablicę systemu informacyjnego zaprezentowano w tabeli 1. Ze względu na poglądowy charakter tej tablicy umieszczono w niej tylko niektóre dane z rzeczywistego przykładu. Nr atomu (klasy) 1 Nr obiektu (ankiety) Wartości liczbowe atrybutów A1 A2 A3 Decyzja ankietowanego D D D D D D D D D D D D D D D D D D D3 Tabela 1 Przykładowa tablica systemu informacyjnego o klientach firmy (źródło : opracowanie własne) W wyniku analizy danych ankietowych można określić decyzję jaką można by przypisać potencjalnemu klientowi firmy. Definiowanie przynależności elementów, obiektów, atomów czy atrybutów do zbioru przybliżonego oparte jest na podejściu, w których odrzuca się wymóg istnienia ściśle określonych granic zbioru. Wykorzystuje się wówczas możliwość zdefiniowania zbioru przybliżonego w oparciu o jego tzw. przybliżenie dolne i górne. Pod pojęciem przybliżenia

82 82 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, 2004 dolnego zbioru obiektów Y rozumie się zbiór tych elementów tego zbioru, których wszystkie obiekty należą na pewno do zbioru Y natomiast pod pojęciem dolnego przybliżenia zbioru Y rozumie się taki zbiór elementów, których choć jeden obiekt należy do zbioru Y, czyli zbiór takich elementów, które być może należą do tego zbioru [3]. Brzegiem zbioru obiektów nazywa się różnicę mnogościową między górnym i dolnym przybliżeniem tego zbioru obiektów. Każde przybliżenie wiąże się z koniecznością określenia dokładności tego przybliżenia. Najczęściej taką dokładność określa się jako stosunek liczności dolnego przybliżenia zbioru do jego górnego przybliżenia. W oparciu o zbiory przybliżone opracowano algorytmy przy pomocy, których możliwa jest nie tylko klasyfikacja obiektów, ale również możliwe jest automatyczne generowanie reguł decyzyjnych, będących podstawą odkrywania wiedzy z danych o klientach firmy. W teorii zbiorów przybliżonych przyjmuje się zwykle, że stopień precyzji atomu jest równy 1. Jest to przyczyną dużych utrudnień w odkrywaniu wiedzy dla takich zbiorów ponieważ atomy wyraźnie większościowe są odrzucane z dolnego przybliżenia. Ciekawe zastosowanie teorii zbiorów przybliżonych zaproponował W.Ziarko [2], w którym rozmiar brzegu zbioru przybliżonego został pomniejszony poprzez pozostawienie w nim tylko tych obiektów, co do których nie jest możliwa klasyfikacja z błędem mniejszym od pewnego wstępnie zdefiniowanego poziomu. Jest to podejście szczególnie korzystne dla tych zbiorów danych, których brzeg zawiera atomy, których obiekty w dużej mierze należą do wybranej klasy decyzyjnej. Istnieją również takie algorytmy, które pozwalają zmienić stopień precyzji atomu. Do nich należy algorytm LEM2 VPM zwany algorytmem zmiennej precyzji. 4. Prezentacja zastosowania algorytmów LEM2 i algorytmu zmiennej precyzji LEM2 VPM do klasyfikacji i generowania reguł decyzyjnych. LEM2 to jedna z opcji zaproponowanego przez J. W. Grzymałę-Busse a systemu LERS. Jest to heurystyczny algorytm ukierunkowany na znalezienie minimalnego opisu dyskryminującego w zbiorze przykładów. Model tzw. zmiennej precyzji (ang. Variable Precision Model VPM) charakteryzuje się zmienionymi zasadami Zastosowanie algorytmu LEM2 do przykładowych danych zawartych w tablicy systemu informacyjnego o klientach firmy z tabeli 1 pozwala określić tablicę częstości przykładów w obrębie atomów (klas), dla poszczególnych klas decyzji zgodną z tabelą 2. Tabela 2 Nr atomu (klasy) Liczność przykładów należących do klasy (atomu) D1 D2 D

83 Tomasz Dudek Zastosowanie teorii zbiorów przybliżonych do oceny preferencji klientów marketingowej hurtowni danych Częstości przykładów w obrębie atomów dla poszczególnych klas wyodrębnionych w przykładowej tablicy systemu informacyjnego (źródło : opracowanie własne) Podejście LEM2 VPM pozwala zmodyfikować tabelę 2 częstości przykładów w obrębie powyżej przytoczonych atomów do postaci zgodnej z tabelą 3. Nr atomu (klasy) Liczność przykładów należących do klasy (atomu) D1 D2 D Tabela 3 Zmodyfikowane częstości przykładów w obrębie atomów dla poszczególnych klas wyodrębnionych w przykładowej tablicy systemu informacyjnego (źródło : opracowanie własne) Stosując teorię zbiorów przybliżonych można uzyskać brzeg składający się z 17 obiektów. Przyjmując, że stopień precyzji atomu wynosi 0,8 można określić atomy należące do dolnego przybliżenia VPM. Są nimi {1,2,4,5}. Atomy te posiadają stopień precyzji większy bądź równy założonemu. Atom {3} nie wchodzi do dolnego przybliżenia, ponieważ posiada zbyt wysoki stopień zaszumienia. Oznacza to, że algorytm LEM2 VPM zmniejsz ilość obiektów zawartych w brzegu do dwóch dzięki zmniejszeniu stopnia precyzji atomu z wartości 1 na wartość 0.8. Jeśli po tej modyfikacji wszystkie przykłady wchodzące w skład atomu nie należą do jednej klasy decyzyjnej to atom taki nie należy do przybliżenia dolnego VPM. Należy wówczas wprowadzić tzw. klasę zerową d0, która oznacza brak przynależności do dolnego przybliżenia VPM a dla klas z dolnego przybliżenia zostają rozróżnione sztucznie wprowadzonymi klasami decyzyjnymi zgodnymi z tabelą 4. Tabela 4 Nr obiektu Nr sztucznej decyzji 1 D2 2 D2 3 D2 4 D2

84 84 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, D2 6 D2 7 D2 8 D2 9 D2 10 D2 11 D1 12 D0 13 D0 14 D2 15 D3 16 D3 17 D3 18 D3 19 D3 Sztuczna klasa decyzyjna dla przykładowej tablicy systemu informacyjnego (źródło : opracowanie własne) Następnie w oparciu o tablicę systemu informacyjnego oraz wprowadzone klasy (zerową i sztuczne) można zbudować tabelę wsparcia dla warunków elementarnych zgodną tabelą 5, zbudowaną dla rozważanego przykładu. Tabela 5 Warunek elementarny w rachunku reguł Wsparcie dla klasy decyzyjnej d0 d1 d2 d3 A1=2 {12,13} {11} {1,2,3,,10} A1=3 {14} A1=1 {15,16,,19} A2=2 {11} {1,2,3,,10} {15,16,,19} A2=1 {12,13} {14}

85 Tomasz Dudek Zastosowanie teorii zbiorów przybliżonych do oceny preferencji klientów marketingowej hurtowni danych 85 A3=2 {1,2,3,,10} A3=3 {12,13} {11} {14} A3=1 {15,16,,19} Wsparcie dla warunków elementarnych z podziałem na klasy decyzyjne obrębie atomów dla poszczególnych klas wyodrębnionych w przykładowej tablicy systemu informacyjnego (źródło : opracowanie własne) Kolejnym etapem zastosowania algorytmów LEM2 i LEM2 VPM jest budowa dolnego przybliżenia VPM oraz proces tworzenia reguł. W wyniku zastosowania algorytmu LEM2 VPM uzyskuje się reguły zgodne z tabelą 6. Reguły decyzyjne wyznaczone algorytmem LEM2 VPM (A3=3)and(A2=2) D2 (A3=2) D2 (A1=3) D2 (A1=1) D3 Tabela 6 Reguły decyzyjne wyznaczone w klasycznej teorii zbiorów przybliżonych (LEM2) (A3=3) and (a2=2) D1 (a1=3) D2 Reguły uzyskane algorytmem LEM2 VPM i w oparciu o klasyczną teorię zbiorów przybliżonych (źródło : opracowanie własne) W oparciu o zbiory przybliżone wygenerowano dwie reguły powodując utratę dwóch silnych reguł, które uzyskano wykorzystując algorytm ze zmienną decyzją. Dla pełnej analizy stosowalności algorytmów opartych na zbiorach przybliżonych,lem2 i zmiennej precyzji LEM2 VPM możliwe jest określenie dokładności klasyfikacji. W tabeli 7 zaprezentowano niektóre z nich. Dolne przybliżenie klasy decyzyjnej D1 Dolne przybliżenie klasy decyzyjnej D2 Dolne przybliżenie klasy decyzyjnej D3 Górne przybliżenie klasy decyzyjnej D1 Wg algorytmu LEM2 {11} {11} Tabela 7 Wg algorytmu LEM@ VPM {14} {1,2,3,4,5,6,7,8,9,10,14} zbiór pusty {15,16,17,18,19} {1,2,3,4,5,6,7,8,9,10,11,12,13,15,16,17,18,19 } {11,12,13} Górne przybliżenie klasy {1,2,3,4,5,6,7,8,9,10,12,13,15,16,17,18,19} {1,2,3,4,5,6,7,8,9,10,12,1

86 86 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, 2004 decyzyjnej D2 3,14} Górne przybliżenie klasy decyzyjnej D3 {1,2,3,4,5,6,7,8,9,10,15,16,17,18,19} {15,16,17,18,19} Brzeg klasy D1 {1,2,3,4,5,6,7,8,9,10,12,13,15,16,17,18,19} {12,13} Brzeg klasy D2 {1,2,3,4,5,6,7,8,9,10,12,13} {12,13} Brzeg klasy D3 {1,2,3,4,5,6,7,8,9,10,15,16,17,18,19} zbiór pusty Dokładność przybliżenia klasy decyzyjnej D1 Dokładność przybliżenia klasy decyzyjnej D2 Dokładność przybliżenia klasy decyzyjnej D3 Dokładność przybliżenia całego systemu informacyjnego 0,06 0,33 0,08 0, ,04 0,81 Jakość przybliżenia klasyfikacji 0,11 0,89 Porównanie dokładności klasyfikacji algorytmem LEM2 i LEM2 VPM dla przykładowej tablicy informacyjnej (źródło : opracowanie własne) 5. Podsumowanie Teoria zbiorów przybliżonych jest jedną z najszybciej rozwijających się dziedzin sztucznej inteligencji. Są one uogólnieniem klasycznej teorii zbiorów, będącej podstawą nauk matematycznych. W teorii zbiorów przybliżonych nie zakłada się, że zbiór jest ściśle określony przez swoje elementy. Przyjmuje się możliwość istnienia nieostrych granic zbiorów. Z tego powodu zbiory przybliżone stanowią solidną podstawę do budowania metod zdolnych do pracy z danymi zawierającymi szum i niekonsekwencje - nieodłączny atrybut "rzeczywistych" danych. 6. Literatura 1. Stefanowski J.: Dialogowe wspomaganie decyzji na podstawie wiedzy pozyskanej metodą zbiorów przybliżonych. Rozprawa doktorska, Poznań Ziarko W.: Analysis of Uncertain Information in The Framework of Variable Precision Rough Sets. Foundations of Computing and Decision Sciences. Vol 18, WWW: kpkm.mt.polsl.gliwice.pl TOMASZ DUDEK tdudek@wi.ps.pl Politechnika Szczecińska Wydział Informatyki Instytut Systemów Informatycznych, Szczecin, ul. Żołnierska 49

87 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, JAKUB KANIK Wyższa Szkoła Informatyki i Zarządzania w Bielsku-Białej MIECZYSŁAW JAGODZIŃSKI Wyższa Szkoła Informatyki i Zarządzania w Bielsku-Białej Politechnika Śląska w Gliwicach E-LEARNIG W NAUCZANIU PROBLEMATYKI ZINTEGROWANYCH SYSTEMÓW INFORMATYCZNYCH Streszczenie Artykuł dotyczy doświadczeń praktycznych w nauczaniu zintegrowanych systemów informatycznych na przykładzie IFS Applications w Wyższej Szkole Informatyki i Zarządzania w Bielsko-Biała. Materiał zawarty w artykule został zebrany w ciągu 3 lat prowadzenia zajęć dydaktycznych z omawianej tematyki. Został on zawarty w portalu edukacyjnym mogącym służyć do zdalnego nauczania zintegrowanych systemów informatycznych. 1. E-learning "Wszechobecność" Internetu pozwala uczyć niezależnie od miejsca i czasu. Można również powiedzieć, że szkolenia przez Internet doskonale wpisują się we współczesną ekonomię, gdzie tradycyjne nauczanie z udziałem nauczyciela i uczniów przestaje być skuteczne. Głównym elementem nauczania przez Internet będzie dostarczenie uczniom, pracownikom narzędzi do samodzielnego rozwiązywania problemów napotkanych w życiu. Szkolenia przez Internet pozwalają dotrzeć do studentów czy pracowników oddalonych w terenie. Wielu analityków uważa, że przyszłość Internetu leży bardziej po stronie nauczania elektronicznego aniżeli elektronicznego handlu. Liczne bankructwa firm z branży handlu elektronicznego zdają się to potwierdzać. Niektórzy teoretycy twierdzą, że nauczanie tradycyjnymi metodami doprowadzi nawet do upadku krajów. E-learning przynosi korzyści. Pozwala na szybki i precyzyjny dostęp do wiedzy, zmniejsza koszty studiów czy szkoleń, usamodzielnia studentów i jednocześnie pozwala na stałą kontrolę ich postępów w edukacji. Wydawałoby się - same zalety. Jego rozwój i to nie tylko w Polsce jest jednak ograniczony, spowalnia go strach przed zmianami oraz nieufność wobec nietradycyjnych metod nauczania. Poza tym e-learning to zapewnienie stałego dostępu do wiedzy, a nie sposób na eliminację tradycyjnych szkoleń. E-learning jest rozwiązaniem przeznaczonym również dla firm, które potrzebują nowoczesnego niezawodnego systemu nauczania online. Aplikacja daje użytkownikom wymierne korzyści w zakresie zarządzania wiedzą w firmie. Oprócz szkolenia pracowników, rozwiązanie można wykorzystać do wymiany wiedzy w firmie, szkolenia partnerów oraz klientów. E-learning stał się znany dzięki firmom, które oferowały szkolenia na swoich portalach internetowych. Jednakże dzisiaj obszarem, w którym odgrywa coraz większą rolę, jest zarządzanie wiedzą.

88 88 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, 2004 Najdynamiczniej rozwój ten przebiega w Sanach Zjednoczonych, gdzie rząd (zmierzając do pełnej realizacji praw dostępu do edukacji swoich obywateli) wspiera wszelkie inicjatywy wyższych uczelni dostosowując w tym celu ustawodawstwo. Również w Polsce można zauważyć rosnące zainteresowanie zdalnym nauczaniem. Dzieje się tak z wielu przyczyn, jednak podstawową jest coraz wyraźniej dostrzegalna potrzeba stałego dokształcania się. Wynika ona oczywiście z faktu, iż zdobyte podczas studiów wykształcenie przestaje wystarczać na całe życie. Jedynie continuous learning (edukacja ustawiczna) daje możliwość ciągłego doskonalenia i utrzymania się na kurczącym się rynku pracy. Kształcenie zdobywane drogą online skierowane jest przede wszystkim do osób dorosłych. E-learning jest techniką szkolenia wykorzystującą wszelkie dostępne media elektroniczne, w tym Internet, intranet, extranet, przekazy satelitarne, taśmy audio/wideo, telewizję interaktywną itp. Może się odbywać w trzech trybach: synchronicznym, asynchronicznym i indywidualnym. Połączenia synchroniczne pozwalają wykładowcy i studentom komunikować się w tym samym czasie (na żywo). Podstawą funkcjonowania trybu asynchronicznego jest założenie, że kontakty między uczniami i nauczycielem nie będą się odbywały w czasie rzeczywistym, czyli np. poprzez i forum dyskusyjne. Tryb indywidualny charakteryzuje się całkowitym brakiem kontaktu uczestników. Uczniowie zachowują anonimowość i sami narzucają sobie tempo nauczania. (...)Szybki postęp we wdrażaniu nowoczesnych technologii generuje potrzebę ciągłego odnawiania i pogłębiania wiedzy dla sprostania nowym wyzwaniom cywilizacyjnym. Zdalna edukacja, rozumiana jako metoda prowadzenia procesu dydaktycznego w warunkach, gdy nauczyciel i uczniowie odseparowani są od siebie w przestrzeni, a nierzadko i w czasie, odgrywa coraz większą rolę w procesie kształcenia ustawicznego. Nowoczesne techniki społeczeństwa informacyjnego umożliwiają przesyłanie materiałów audiowizualnych, danych komputerowych, atakże umożliwiają bezpośredni kontakt w czasie rzeczywistym pomiędzy nauczycielem a uczniem za pomocą systemów audiokonferencji i wideokonferencji. Zdalna edukacja jest ważnym elementem nowoczesnego systemu edukacji(...). Doświadczenia krajów wysoko rozwiniętych pod względem ekonomicznym dowodzą, że sukcesy gospodarcze, wysoka pozycja tych krajów na rynku światowym i konkurencyjność gospodarek w coraz większym stopniu zależą od poziomu wiedzy społeczeństwa oraz umiejętności tworzenia i wykorzystywania wiedzy technicznej, ekonomicznej, informatycznej etc. w procesach gospodarczych. Gospodarki krajów wysoko rozwiniętych oparte są o rosnące zasoby ludzi dobrze wykształconych, posiadających umiejętności twórcze i innowacyjne, co jest niezbędnym warunkiem postępu technicznego, gospodarczego i społecznego Portal edukacyjny z zakresu zintegrowanych systemów informatycznych W wyniku działań podjętych w Wyższej Szkole Informatyki i Zarządzania w Bielsku-Białej, w celu rozprzestrzeniania wiedzy oraz łatwiejszego dostępu studentów do materiałów dydaktycznych powstała witryna edukacyjna dzięki, której studenci w niemal każdej chwili i każdego miejsca mogą zaczerpnąć informacji z wybranego przedmiotu. Poniżej przedstawiono widok fragmentu takiej witryny z zakresu przedmiotu Zintegrowane Systemy Zarządzania oraz zaprezentowano przykładowe treści dotyczące tej tematyki. 33 (fragment z dokumentu rządowego "epolska. Plan działań na rzecz rozwoju społeczeństwa informacyjnego w Polsce na lata ")

89 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, witryna dostępna pod adresem: Przykładowe treści zamieszczone na portalu edukacyjnym Istota i rodzaje systemu MRP Popyt na niektóre finalne produkty jest niezależny i pokrywany w małych ilościach, ponieważ wielkość tego popytu jest trudna do oszacowania. Niezależność popytu należy oceniać z punktu

90 90 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, 2004 widzenia możliwości oddziaływania firmy. Na przykład popyt na czekoladę w batonach w sklepach warzywniczych, popyt na kosmetyki luksusowe w aptekach, czy sprzedaż pilniczków do czyszczenia paznokci na stacjach benzynowych. W odniesieniu do firm produkcyjnych popyt niezależny dotyczy wyrobów gotowych. Natomiast popyt na większość materiałów, części zamienne, podzespoły jest popytem zależnym zdeterminowanym planem produkcji lub planem remontów planowo zapobiegawczych. Niektóre złożone finalne produkty zawierają około różnych materiałów, części i podzespołów (np. ambulanse) z tego tylko 1/3 produkuje się samodzielnie, a resztę zakupuje się od dostawców. System planowania zaopatrzenia materiałowego MRP: Źródło: J.R. Meredith: The Management of Operations. Aconceptual Emphasis. Jwilson & Sons 1992, s. 449 Zarządzanie zapasami materiałowymi jest więc ściśle związane z harmonogramami produkcji. Wyznaczają one wartości i wielkości produkcji finalnych wyrobów oraz terminy ich dostaw do odbiorców. Układ powiązań i system przepływu materiałów w procesie produkcji prezentuje rysunek 5 34 : Przyjmuje się w literaturze przedmiotu, że twórcą zasad i procedur planowania zapotrzebowania na materiały był Joseph Orlicky 35, zaś rozszerzonej wersji tego planowania O. W. Wight Rodzaje MRP. MRP I jest to system, który obejmuje tylko kontrolę i planowanie zapasów tj. ustala wielkości partii zamawianych materiałów, terminy dokonywania zamówień, długości cykli dostaw, rejestrację i monitorowanie zapasów oraz kosztów; MRP II, standard wg APICS, zawiera zakres merytoryczny MRP I oraz dodatkowo planowanie zdolności produkcyjnych, co pozwala na synchronizację składanych przez klientów i odbiorców zamówień z wielkościami planu agregatowego i poziomami wynikającymi 34 J.R. Meredith: The Management of Operations. Aconceptual Emphasis. Jwilson & Sons 1992, s J. Orlicky: Material Requrements Planning, Mc Graw Hill, O. W. Wight: The Execitive s Guide to Successful MRP II, Prentice Hall 1982

91 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, z przyjętych harmonogramów produkcji. Wszelkie rozbieżności prowadzą do działań w kierunku zwiększenia zdolności produkcyjnych bądź redukcji popytu; MRP III (ERP) system planowania zasobów obejmuje kompleksowo planowanie i kontrolę wszystkich zasobów, a nie tylko materiałów. Chodzi tu między innymi o zasoby majątkowe, finansowe, gotówki, zasoby pracy. Systemy zarządzania zasobami firmy określane angielskim skrótem ERP ( Enterprise Resource Planning ) - są rozwinięciem systemów MRP II. System ERP pozwala na zarządzania informacją o wszystkich aspektach funkcjonowania firmy. System pokrywa całość procesów biznesowych zachodzących w firmie. Dotyczy to zarówno łańcucha dostaw, planowania i sterowania produkcją oraz systemu informowania kierownictwa. System wspiera więc wszystkie funkcje firmy, integrując i udostępniając informację o całości funkcjonowania firmy. 2.3 Wdrożenie systemu MRP Zagadnienia wdrożenia systemu MRP wydają się pozornie proste do wykonania. W praktyce na menadżerów i konsultantów czyhają liczne pułapki. Takie jak na przykład czynniki techniczne: Na skuteczność systemu MRP wpływ mają różne czynniki, w tym techniczne takie jak: właściwe dane, prosty i zrozumiały system oznaczeń, zdolność systemu do wprowadzania adaptacji, kompleksowy system szkolenia, właściwy zespół wdrażający, właściwe wdrożenie systemu. W przeciwieństwie do czynników technicznych czynniki funkcjonalne nie stanowią widocznych ograniczeń, ale silnie rzutują na efektywność systemu MRP. Wśród tych czynników warto wymienić przede wszystkim stałe poparcie kierownictwa w fazie inicjacji i funkcjonowania systemu oraz stałe poparcie dla jego bezpośrednich użytkowników. Ważnym czynnikiem jest usytuowanie systemu MRP. Jeśli MRP jest tylko związany z systemem zaopatrzenia to korzyści z jego działania są dużo mniejsze, niż w przypadku jego szerszych powiązań z systemami nakładów i wyników działalności całej firmy. Z roku na rok rośnie liczba przedsiębiorstw, które szukając metod na poprawę jakości zarządzania oraz podniesienia efektywności działania, decydują się na wdrożenie systemu informatycznego wspomagającego zarządzanie klasy MRP II. Duży nacisk w wypadku takiej decyzji kładziony jest na sam wybór oprogramowania i jego dostawcy Niejako w cieniu pozostaje samo wdrożenie, od którego w praktyce zależy właściwe i zgodne z oczekiwaniami działanie systemu. Wdrożenie systemu zintegrowanego klasy MRP II jest przedsięwzięciem bardzo złożonym. Stanowi największą inwestycję informatyczną w przedsiębiorstwie w przekroju kosztów, stopnia złożoności oraz czasu wdrożenia. Wdrożenie systemu klasy MRP II jest de facto informatyzacją sfery zarządzania. Nie jest to jednak, jak się powszechnie uważa, operacja ściśle techniczna - zakup komputerów, okablowanie budynku oraz instalacja oprogramowania. Ze względu na strategiczne znaczenie tej decyzji dla przedsiębiorstwa wdrożenie powinno być procesem samooceny, analizy, gruntownej zmiany procesów biznesowych oraz uczenia się. Czas wdrożenia systemu zintegrowanego jest stosunkowo długi i w wypadku pakietów klasy MRP II wynosi przeciętnie 2-3 lata. Na podstawie głosów polskich użytkowników pakietów tej

92 92 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, 2004 klasy dojść można do wniosku, że czas, jaki potrzebny jest na wdrożenie systemu klasy MRP II, jest znacznie dłuższy. Instalacja samego sprzętu, przygotowanie infrastruktury oraz instalacja podstawowego oprogramowania, czyli strona techniczna wdrożenia, jest procesem znacznie krótszym i trwa około sześciu miesięcy. Czas taki podawany jest czasami mylnie - głównie jako chwyt marketingowy - jako czas wdrożenia całego systemu. Należy pamiętać, że wdrożenie systemu zintegrowanego w przedsiębiorstwie nie oznacza w praktyce połączenia dwóch lub więcej działów w sieć komputerową. Działy te będą ostatecznie zintegrowane dopiero wtedy, gdy pojawi się pomiędzy nimi płaszczyzna integracji funkcjonalnej i procesowej, koordynacja stanie się automatyczna, informacje będą dostępne natychmiast, a wspomniane działy zaczną ze sobą współpracować i traktować się wzajemnie jako klienci wewnętrzni. Sam fakt technicznego funkcjonowania systemu i przepływu danych nie oznacza zatem wdrożenia systemu. Za wdrożony można uznać go dopiero wtedy, kiedy zapewni on współpracę, koordynację oraz zintegruje działania poszczególnych komórek, tak aby wspierając się, działały efektywnie na rzecz realizacji jednego celu firmy. Stowarzyszenie APICS opracowało formalne zalecenia odnośnie do długości i etapów wdrożenia systemu zintegrowanego klasy MRP II. Według APICS wdrożenie powinno składać się z 11 etapów, które łącznie trwają 26 miesięcy. A oto one: Etap pierwszy - przygotowanie kierownictwa firmy do zarządzania w warunkach stosowania systemu komputerowego oraz planowania procesu wdrożeniowego (pierwszy miesiąc). Etap drugi - określenie zamierzeń oraz wyznaczenie celów komputeryzacji przedsiębiorstwa i wdrażanie poszczególnych modułów systemu (drugi miesiąc). Etap trzeci szkolenie zespołu wdrożeniowego w zakresie zasad MRP II i znajomości modułów składających się na Closed Loop MRP II (2-4 miesiąc). Etap czwarty inwentaryzacja obecnego otoczenia organizacyjnego, wybór użytkowników, zaprojektowanie przyszłego otoczenia systemu (3-6 miesiąc). Etap piąty projektowanie Systemu Informowania Kierownictwa w powiązaniu z modułami MRP II, projektowanie konfiguracji sprzętowej i programowej (5-6 miesiąc). Etap szósty instalowanie komputerów, sieci, stacji roboczych lub terminali, systemu operacyjnego, oprogramowania MRP II (6-9 miesiąc). Etap siódmy stworzenie tzw. Pilota systemu i szkolenie pracowników z wykorzystaniem pilota (9-12 miesiąc). Etap ósmy - sukcesywne dostosowanie modułów systemu do codziennej działalności przedsiębiorstwa i zastąpienie dotychczasowego systemu (12-15 miesiąc). Etap dziewiąty - przeprowadzenie konwersji zasobów danych i sukcesywne wdrażanie Closed Loop MRP II (15-18 miesiąc). Etap dziesiąty - rozszerzenie stopnia przetwarzania do pełnego zakresu MRP II (18-24 miesiąc). Etap jedenasty - przegląd rozwiązań po wdrożeniu i przeprowadzenie ewentualnych zmian (20-26 miesiąc). Okres pełnego wdrożenia, według badań przeprowadzonych przez DiS, wyniósł wśród największych polskich przedsiębiorstw 4 lata. Wdrożenia fragmentaryczne trwały średnio o połowę krócej.

93 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, Wdrożenie systemu zintegrowanego przebiega z reguły według konkretnej metodyki wdrożenia. Niezależnie jednak od metodyki w procesie wdrożenia wyróżnić można następujące, zasadnicze, następujące po sobie etapy: ETAP I - przygotowanie wdrożenia Etap rozpoczynający się od powołania zespołu wdrożeniowego do momentu wyboru systemu oraz podpisania kontraktu z firmą, która będzie wdrażała system. ETAP II - organizacja projektu i prototypowanie Rozpoczyna się on z chwilą podpisania kontraktu z dostawcą, a kończy wraz z przygotowaniem prototypu nowego systemu. ETAP III - wdrażanie systemu w komórkach funkcjonalnych przedsiębiorstwa Etap ten rozpoczyna się zakończeniem prac nad prototypem, a kończy, gdy ostatnia objęta projektem komórka organizacyjna rozpocznie pracę na nowym systemie. ETAP IV - integracja systemu oraz doskonalenie bazy danych Początkiem tego etapu jest rozpoczęcie pracy przez komórki funkcjonalne według nowego systemu, natomiast końcem etapu i całego wdrożenia jest stwierdzenie osiągnięcia założonych w projekcie celów. W praktyce czas wykonywania poszczególnych czynności oraz czas trwania etapów są bardzo zróżnicowane, jednak każdy projekt wdrożeniowy musi przejść przez wymienione powyżej cztery etapy. Wdrożenie systemu zintegrowanego klasy MRP II jest przedsięwzięciem o kompleksowym charakterze. Obejmuje wiele różnorodnych czynności. Dlatego też w praktyce przebiega ono według określonego harmonogramu przy zastosowaniu specjalistycznych narzędzi wspomagających. 3. IFS Applications jako przykład zintegrowanego systemu informatycznego

94 94 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, 2004 Rozwiązania biznesowe IFS bazują na w pełni zlokalizowanych, spolonizowanych modułach IFS Applications, sprawdzonych i przetestowanych w działaniu. System IFS Finanse jest zgodny z aktualną Ustawą o Rachunkowości i jest na bieżąco modyfikowany zgodnie ze wskazaniami ustawodawcy. Już w fazie projektowania, IFS Applications zostały przygotowane do pracy w strukturze dużego przedsiębiorstwa wielozakładowego. Istniejące w obszarze definicji danych podstawowych pojęcia domeny i firmy pozwalają zorganizować dane pod kątem struktury wielozakładowej. Możliwość używania różnych języków jednocześnie, zarówno w warstwie interfejsu jak i danych (np. jednostki miary, raporty), pozwala obsługiwać przedsiębiorstwa nie tylko wielooddziałowe, ale również wielojęzyczne. Najnowsze wersje IFS Applications należą do najbardziej zaawansowanych technologicznie systemów wspomagających zarządzanie na polskim rynku. Wersje te pracują w oparciu najnowocześniejszą architekturę - Open Layered Architecture, z podziałem na trzy obszary: bazę danych, logikę biznesową oraz prezentację. IFS Applications pracują w rzeczywistej architekturze Client/Serwer. 4. Doświadczenia w nauczaniu Zintegrowanych Systemów Informatycznych Najczęstszymi problemem występującym przy próbie przekazania studentom wiedzy z zakresu Zintegrowanych Systemów Informatycznych okazuje się brak dostępu do fachowej literatury z tej tematyki. Firmy zajmujące się projektowaniem i wdrażaniem tego typu systemów w olbrzymiej większości niechętnie dzielą się wiedzą i spostrzeżeniami. Wiedza z tej dziedziny stała się wiedzą komercyjną, wiedzą pilnie strzeżoną przez konsultantów i wdrożeniowców. Ośrodki akademickie mają ograniczony dostęp do najnowszych rozwiązań proponowanych przez komercyjne firmy. Studenci często stawiani są w sytuacji, kiedy pozyskanie tej wiedzy staje się wręcz niemożliwe. Odbija się to niestety marnym poziomem wiedzy pracowników firm korzystających lub chcących skorzystać z nowoczesnego systemu klasy ERP. Często kończy się to niepowodzeniem wdrożeń Zintegrowanych Systemów Zarządzania, z prostego powodu, wdrożenie nie jest dobrze przygotowane gdyż firmy nie potrafią określić swoich rzeczywistych potrzeb, brakuje świadomości do czego tak naprawdę taki system ma służyć, który system najbardziej odpowiadałby danemu przedsiębiorstwu. A wszystko dlatego, iż ośrodki akademickie w niewielkim zakresie przekazują wiedzę z tego zakresu. Od kilku lat w Wyższej Szkole Informatyki i Zarządzania w Bielsku Białej prowadzimy zajęcia z zakresu Zintegrowanych Systemów Informatycznych. W naszej praktyce akademickiej spotkaliśmy się wielokrotnie z pytaniami napływającymi z różnych uczelni na ten właśnie temat. Często są to pytania od studentów w jaki sposób mają dotrzeć do informacji o takim czy innym systemie ponieważ dostali akurat takie zadanie, czy temat na zaliczenie. Często są to również pytania od prowadzących zajęcia nauczycieli akademickich, którzy stanęli przed trudnym zadaniem pozyskania tej wiedzy i przekazania jej studentowi. Dlatego właśnie postanowiliśmy utworzyć witrynę internetową prezentującą tematykę Zintegrowanych Systemów Informatycznych, a w szczególności systemu IFS Applications.

95 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, Podsumowanie Prezentowany materiał przedstawia 3 letnie doświadczenia z zakresu problematyki zintegrowanych systemów informatycznych opracowane w formie portalu internetowego na zdalnego nauczania. Jest to wersja testowa, która będzie jest rozwijana na bieżąco. 6. Literatura: 1. Jagodziński Mieczysław: IFS Applications wprowadzenie, WSIiZ, Bielsko Biała 2002, 2. Kanik J. Jagodziński M.: IFS Applications 2000 moduł Dystrybucja ćwiczenia WSIiZ, Bielsko Biała 2002, 3. J.R. Meredith: The Management of Operations. Aconceptual Emphasis. Jwilson & Sons 1992, 4. J. Orlicky: Material Requrements Planning, Mc Graw Hill, O. W. Wight: The Execitive s Guide to Successful MRP II, Prentice Hall Pliki pomocy systemu IFS Applications. 7. Podręcznik użytkownika systemu IFS Applications. 8. Materiały szkoleniowe IFS Applications Training. 9. Strona domowa firmy Industrial & Financial Co.: JAKUB KANIK jkanik@wsi.edu.pl MIECZYSŁAW JAGODZIŃSKI mjagod@zeus.polsl.gliwice.pl, Wyższa Szkoła Informatyki i Zarządzania w Bielsku-Białej ul. Legionów 81, , Bielsko-Biała

96 96 Grzegorz Spychalski, Leonid Worobjow, Aleksiej Skakun Zasoby pracy oraz zatrudnienie mieszkańców wsi na Białorusi GRZEGORZ SPYCHALSKI, LEONID WOROBJOW, ALEKSIEJ SKAKUN Katedra Ekonomii, Akademia Rolnicza w Szczecinie ZASOBY PRACY ORAZ ZATRUDNIENIE MIESZKAŃCÓW WSI NA BIAŁORUSI Streszczenie: W pracy została przedstawiona analiza tendencji na rynku pracy w rolnictwie Białorusi. Opisano w niej podstawowe kierunki kształtowania się zasobów pracy w rolnictwie. Płynność kadr w rolnictwie kraju jest przedmiotem analizy specjalnej. 1. Wstęp Przekształcenia gospodarcze oraz polityczne na Białorusi związane z aktywnym reformowaniem gospodarki spowodowały szereg zjawisk kryzysowych na rynkach makroekonomicznych. Istotne zmiany zaszły także na rynku pracy i w systemie zatrudnienia mieszkańców Białorusi. W warunkach ograniczeń finansowych swojej działalności przedsiębiorstwa zostały zmuszone do bardziej efektywnego wykorzystania zasobów pracy i określenia ich wielkości z punktu widzenia możliwości produkcyjnych. W efekcie doprowadziło to do zmniejszenia popytu na siłę roboczą oraz do licznych zwolnień robotników i masowego zjawiska bezrobocia w gospodarce Białoruskiej. W związku z tym celem artykułu jest analiza polityki gospodarczej państwa w sferze zatrudnienia i rynku pracy, a także przeprowadzenie analizy dynamicznej tendencji na rynku pracy oraz sformułowanie podstawowych zagadnień problemowych w tym obszarze. 1. Wyniki badań Przeprowadzona analiza świadczy o tym, że w całej gospodarce Białorusi obserwowany jest spadek aktywności ekonomicznej mieszkańców. W ciągu ostatnich 15 lat liczba aktywnych zawodowo mieszkańców kraju zmniejszyła się do poziomu 45% ogólnej populacji. Te zmiany mają charakter stałej tendencji. Od początku kształtowania się stosunków rynkowych zauważono również niższy poziom obowiązkowości pracy części zatrudnionych w wytwarzaniu dochodu narodowego. Pracownicy uzyskali prawo wolnego wyboru uczestnictwa w relacjach na rynku pracy. To wpłynęło na odejście na zasadzie dobrowolności części zatrudnionych (przede wszystkim kobiet), ze sfery produkcyjnej. Jednocześnie znaczne zmniejszenie liczby aktywnych zawodowo mieszkańców można wyjaśnić koniecznością opuszczenia zasobu pracy osób o niskiej konkurencyjności na rynku młodzieży, emerytów, niepełnosprawnych i innych. Aktywność zawodowa mieszkańców wsi jest znacznie mniejsza niż aktywność mieszkańców miast. Jest to związane z dużym udziałem w ogólnej liczbie mieszkańców ludzi dorosłych zamieszkujących obszary wiejskie oraz prowadzących gospodarstwo rolne. Według danych Ministerstwa Statystyki i Analizy Białorusi liczba zatrudnionych mieszkańców wsi wynosiła w roku ubiegłym 23,5% wszystkich zatrudnionych w gospodarce kraju. W ciągu

97 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, ostatnich 10-u lat znacznie zmniejszył się również udział zatrudnionych w rolnictwie w stosunku do całego zasobu pracy na wsi z 19,1% w roku 1990 do 14,1% w roku Na tle światowych tendencji opisaną sytuację można traktować jako zjawisko pozytywne. Gdyby nie to, że doszło do deformacji systemu zatrudnienia na terenach wiejskich oraz wzrostu bezrobocia wywołanego przejściem gospodarki żywnościowej od systemu socjalistycznego do kapitalistycznego w warunkach kryzysu ekonomicznego 37. Nieracjonalna struktura zatrudnienia mieszkańców wsi oraz brak inwestycji rozwojowych w innych sferach działalności nie sprzyjają tworzeniu nowych miejsc pracy. Duża konkurencja na rynku pracy powoduje ponadto przedłużanie się okresu pozostawania bez zatrudnienia. Skutkiem tego jest permanentny charakter bezrobocia wiejskiego i jego negatywne oddziaływanie społeczne i zawodowe. Jednocześnie długi okres pozostawania bez pracy powoduje utratę doświadczeń zawodowych mieszkańców wsi i spadek poziomu ich umiejętności. Spada także mobilność zawodowa społeczności wiejskiej. Procesy transformacji systemu gospodarczego i zasad prawnych doprowadziły do zmian struktury zasobów pracy w zależności od rodzajów podmiotów gospodarczych (rys. 1). Zatrudnienie w rolnictwie Prywatne gospodarstwa domowe, 5 % Przedsiębiorstwa rolne, 94% Gospodarstwa farmerskie, 1% Przedsiębiorstwa państwowe, 30% Przedsiębiorstwa prywatne, 70% Rys. 1. Podział zasobów pracy według rodzajów podmiotów gospodarczych Źródło: opracowanie własne. Dynamika liczby zatrudnionych w rolnictwie i ich struktura w zależności od płci i wieku została przedstawiona w tabeli 1. Z tabeli wynika, że wraz ze spadkiem ogólnej liczby zatrudnionych w rolnictwie i zmniejszaniem się udziału zdolnych do pracy mężczyzn i kobiet zauważa się szybsze tempo spadku zatrudnienia w porównaniu z szybkością starzenia się mieszkańców wsi. Tabela 1. Dynamika liczby zatrudnionych w rolnictwie oraz struktura według płci i wieku tys. osób % tys. osób % tys. osób % Ogólna liczba zatrudnionych członków ich rodzin 1707, , ,6 100 Zdolni do pracy mężczyzny 400,8 23,5 371,4 23,0 323,0 22,8 Zdolne do pracy kobiety 276,3 16,2 251,8 15,6 225,0 15,8 Mężczyźni w wieku 60 lat i powyżej 226,0 13, ,8 198,8 14,0 Kobiety w wieku 55 lat i powyżej 407,4 23,9 391,1 24,2 348,7 24,6 37 Состояние социально-трудовой сферы села и предложения по ее регулированию. Ежегодный доклад по результатам мониторинга 1999 г. Москва: ВНИИЭСХ, с.

98 98 Grzegorz Spychalski, Leonid Worobjow, Aleksiej Skakun Zasoby pracy oraz zatrudnienie mieszkańców wsi na Białorusi tys. osób % tys. osób % tys. osób % Niezdolni do pracy mężczyzny od 16 do 60 roku życia 17,6 1,0 16,7 1,0 13,3 0,9 Niezdolne do pracy kobiety od 16 do 55 roku życia 15,4 0,9 14,4 0,9 10,2 0,7 Nastolatki w wieku lat 119,4 7,1 119,5 7,4 114,1 8,1 Dzieci do 12 lat 238,5 14,1 227,3 14,1 186,3 13,1 Zatrudnieni w rolnictwie 945,2 55,4 843,5 52,2 659,5 46,6 Zatrudniono w przemyśle, budownictwie i innych branżach 120,7 7,1 123,8 7,7 123,2 8,7 Źródło: Маркусенко, Минск, Poziom kwalifikacji zatrudnionych w rolnictwie można ocenić za pomocą informacji zawartych w tabeli 2. W branży obserwowany jest wysoki udział pracowników z niskim wykształceniem. Tylko 5,8 % pracowników posiada wykształcenie wyższe. Ponadto w ostatnich latach obserwuje się spadek ilości kierowników funkcjonalnych zatrudnionych w przedsiębiorstwach przy tym tylko 62% z nich posiada wykształcenie wyższe, natomiast w grupie specjalistów wyższym wykształceniem legitymuje się 53% zatrudnionych. Tabela 2. Poziom wykształcenia pracowników w różnych dziedzinach gospodarki Białorusi (w procentach wszystkich zatrudnionych na koniec roku 2000) Wykształcenie Wyższe Średnie zawodowe Średnie ogólne Niepełne średnie Ogólne w gospodarce narodowej 18,3 22,3 50,6 8 Przemysł 13,0 20,0 60,2 6 Rolnictwo 5,8 12,6 56,8 24 Źródło: Маркусенко, Минск, Przeanalizujmy obecnie podstawowe kierunki kształtowania zasobów pracy dla rolnictwa (rys. 2). Przykładowo w roku 1999 na rynku pracy pojawiło się 6 tysięcy absolwentów średnich szkół rolniczych oraz 2,8 tysiąca absolwentów z wykształceniem wyższym rolniczym. Natomiast według danych Ministerstwa Rolnictwa Białorusi tylko około 2/3 tej grupy absolwentów podjęło pracę w rolnictwie.

99 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, Pracownicy z innych regionów i branż Absolwenci studiów wyższych, techników, szkół średnich Zatrudnieni w rolnictwie Odejście pracown ików Pracownicy którzy osiągnęli zdolność zawodową Podwyższenie kwalifikacji personelu Rys. 2. Tworzenie zasobów pracy w rolnictwie Źródło: opracowanie własne. Ważnym kierunkiem kształtowania kadr dla rolnictwa jest przeszkolenie i podwyższenie kwalifikacji pracowników. W kraju zajmuję się tym 26 uczelni. Zarządzanie naukowodydaktyczne ustawicznym kształceniem personelu prowadzi Instytut zarządzania kompleksu agroprzemysłowego (APK). Zadania związane z przeszkoleniem i podwyższeniem kwalifikacji pracowników na stanowiskach kierowniczych zostały rozdzielone między następujące instytucje: Instytut Zarządzania APK 11,9%, wydziały doskonalenia kwalifikacji uczelni rolniczych 45,6%, oddziały przekwalifikowania i podwyższenia kwalifikacji techników rolniczych i kursy przy Instytutach naukowo-badawczych oraz centrach uczelnianych 36,8%, centra uczelniane innych ministerstw 5,7%. Natomiast przy dowolnie szerokim systemie kształcenia podyplomowego podniesienie kwalifikacji kierowników odbywa się w cyklu 8-9 letnim w rolnictwie białoruskim w porównaniu do 3-5 letniego cyklu w Europie Zachodniej i Japonii. W ostatnich latach spada zainteresowanie przedsiębiorstw rolnych doskonaleniem jakości swojego personelu. Priorytetem tych firm jest utrzymanie się na rynku i przetrwanie w trudnych warunkach finansowych, natomiast doskonalenie kadr staje się zadaniem przyszłości i odchodzi na plan drugi. Przedmiotem analizy specjalnej jest płynność kadr ponieważ zwolnienie pracowników wymaga dodatkowych kosztów przedsiębiorstwa zarówno materialnych jak i organizacyjnych. Przy analizie płynności kadr zostały wykorzystane wskaźnik relacji ogólnej liczby zwolnionych do średniej ilości zatrudnionych oraz wskaźnik relacji ilości przychodzących do pracy do odchodzących pracowników. Z ostatnich latach corocznie z rolnictwa odchodziło około 20% pracowników, natomiast liczba nowo zatrudnianych wynosiła zaledwie 13% (tabela 3). Tabela 3. Wskaźniki płynności personelu w rolnictwie Zatrudniono pracowników, tys. osób 77,0 101,5 93,4 Ubyło pracowników, tys. osób 114,1 125,6 128,7 Współzależność między nimi, tys. osób 67,5 80,8 72,6 Wskaźnik płynności kadr, % 13,5 18,1 19,5

100 100 Grzegorz Spychalski, Leonid Worobjow, Aleksiej Skakun Zasoby pracy oraz zatrudnienie mieszkańców wsi na Białorusi Źródło: Состояние социально-трудовой сферы села, Москва, Specjaliści oceniają poziom płynności kadr na 3-5% jako ich naturalne odświeżenie natomiast poziom płynności 10-12% jako sytuację, która już powinna wywoływać zaniepokojenie kierownictwa. W rolnictwie Białorusi sytuacja jest już niepokojąca. Podstawowe przyczyny i motywy zwalniania pracowników to: nieadekwatny poziom wynagrodzenia materialnego, brak perspektyw rozwoju, zła organizacja procesu pracy, nieprawidłowe realcje z kolegami i kierownictwem. Badania motywacji działalności pracowniczej człowieka świadczą o to, że kryterium efektywności zawodowej stanowi stopień jego samorealizacji. Samorealizację można ocenić tak z punktu widzenia analizy kilku czynników jak i z pozycji samooceny pracownika. Trzeba zaznaczyć, że w ciągu ostatnich dziesięciu lat ilość pracowników w przedsiębiorstwach rolniczych zmniejszyła się dwukrotnie. Jednak na tle jeszcze bardziej wyraźnego spadku wielkości produkcji zmniejszeniu wielkości pracowników nie towarzyszy wzrost efektywności wykorzystania ich pracy. Produkcja podstawowych rodzajów produktów rolnych w przeliczeniu na jednego zatrudnionego zmniejszyła się (za wyjątkiem buraków cukrowych). Przy czym poziom tego wskaźnika jest wyraźnie niższy w stosunku do krajów rozwiniętych. Od roku 1990 do roku 2000 wydajność pracy w rolnictwie białoruskim obliczona jako wartość produkcji globalnej w cenach porównywalnych podzielona przez ilość zatrudnionych zmniejszyła się w skali kraju o 21%. Na wydajność pracy wpływają z jednej strony specyficzne czynniki od których zależy racjonalne wykorzystanie zasobów pracy, a z drugiej strony ogólne uwarunkowania poziomu intensywności gospodarowania. Tylko aktywizacja tych dwóch czynników może dać ogólny wynik dodatni tzn. wzrost wartości produkcji oraz wydajności pracy. Analiza wskaźników wydajności roślin oraz produkcyjności zwierząt w przedsiębiorstwach rolnych kraju w latach świadczy, że praktycznie we wszystkich rodzajach produkcji wskaźniki te mają dynamikę negatywną (tab. 4). Tabela 4. Dynamika wskaźnika kosztu pracy produkcji w produkcji 1 kwintala produktu rolnego, osobo-godzina Lata Rodzaje produkcji Ziarno 1,2 1,3 1,2 1,2 1,4 1,5 1,4 1,4 1,5 1,8 Ziemniaki 1,9 2,0 2,6 2,0 3,5 3,0 2,3 3,3 3,0 3,7 Buraki cukrowe 1,4 1,7 2,1 1,7 2,2 2,0 1,9 1,7 1,4 1,8 Warzywa gruntowe 2,6 3,0 5,0 4,2 4,8 4,9 4,7 4,9 5,0 4,8 Mleko 5,7 6,0 7,5 7,8 7,9 8,9 9,3 8,5 8,1 8,9 Przyrost wagi bydła 31,0 34,8 39,4 44,9 48,7 56,7 50,7 46,2 48,0 52,6 mięsnego Przyrost wagi trzody 16,2 17,8 26,5 22,5 25,5 26,9 25,1 20,1 20,9 19,7 chlewnej Źródło: Маркусенко, Минск, Wzrost zabezpieczenia procesów pracy przez jakościowe i efektywne narzędzia warunkuje zmianę charakteru oraz treści pracy pracowników rolnych. Rośnie również rola ogólnego i zawodowego przygotowania pracowników, a także ich zdolności adaptacyjnych do zmieniających się warunków produkcji. Znaczny wzrost intensywności pracy można osiągnąć przy wysokim poziomie dyscypliny pracy, dobrej organizacji produkcji i zainteresowania pracowników ostatecznymi wynikami. Komentarz [w1]:

101 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, W praktyce często brak jest systemów dźwigni ekonomicznych oraz stymulacji, które zachęcają pracowników do oszczędności kosztów pracy. Normy i normatywy pracy maja często słabą podstawą ekonomiczną i fizjologiczną. Poziom płacy w rolnictwie jest niski. Dla wzrostu produkcji i podniesienia wydajności pracy przedsiębiorstwo powinno mieć racjonalną strukturę organizacyjną, która uwzględnia sezonowość oraz pracochłonności poszczególnych procesów, prawidłową organizację pracy oraz skuteczny system stymulacji materialnej. Jednocześnie spoza sezonowości produkcji rolnej większość zatrudnionych na przykład w uprawie roślin nie mają pracy w okresie między sezonami. Istotnym jest by ze względu na sezonowość produkcji rolniczej osoby zatrudnione w uprawie roślin nie pozostawały bez pracy w czasie martwego sezonu. Najważniejszym czynnikiem wzrostu wydajności pracy w rolnictwie jest stopień zaopatrzenia w energię. Z reguły w przedsiębiorstwach mających wyższy wskaźnik zaopatrzenia w energię mamy do czynienia z wyższym poziomem zatrudnienia, To pośrednio świadczy o tym, że w istniejącej sytuacji gospodarczej przy niskiej bazie materiałowo-technicznej nie wolno mówić o nadwyżce zasobów pracy. 3. Podsumowanie Podstawowe zagadnienie polityki gospodarczej w dziedzinie zatrudnienia mieszkańców wsi to podniesienie efektywności wykorzystania zasobów pracy zgodnie z zapotrzebowaniem reformującej się gospodarki. Dla tego rozwiązania niezbędne jest wprowadzenie zrównoważonej polityki inwestycyjnej w celu organizacji miejsc pracy, dokonywanie alokacji zasobów personalnych do odpowiednich sektorów gospodarki, opracowanie istotnych bodźców podatkowych dla rozwoju przedsiębiorczości prywatnej. W celu opracowania efektywnych mechanizmów przeciwdziałania bezrobociu należy przeprowadzić: - modernizację i unowocześnienie miejsc pracy; - likwidację przymusowego niepełnego zatrudnienia w produkcji; - udoskonalenie bazy normatywno-prawnej oraz mechanizmów finansowo-kredytowych stymulacji rozwoju małego biznesu i przedsiębiorczości prywatnej; - przyspieszenie międzybranżowej mobilności siły roboczej; - zbudowanie systemu ciągłego kształcenia, szkolenia i przekwalifikowania personelu; - wzmocnienie adresowe społecznych ulg i zasiłków, zasad ubezpieczania w systemie ubezpieczenia społecznego; - aktywizację zatrudnienia narażonych społecznie warstw ludności nie zdolnych do konkurencji na rynku pracy. 4. Literatura 1. Состояние социально-трудовой сферы села и предложения по ее регулированию. Ежегодный доклад по результатам мониторинга 1999 г. Москва: ВНИИЭСХ, с. 2. Маркусенко Л.Н. Труд в системе социально-экономических отношений. Минск: Институт аграрной экономики НАН Беларуси, с. Dr hab. inż.. Grzegorz Spychalski prof. AR, prof. dr hab. Leonid Worobjow Akademia Rolnicza w Szczecinie Wydział Ekonomiki i Organizacji Gospodarki Żywnościowej Katedra Ekonomii, ul. Żołnierska 47, Szczecin, tel. sł. (0-91) w lworobjow@e-ar.pl; gspychalski@e-ar.pl

102 102 Michał Gulczyński Techniki odkrywania wiedzy (data mining) oraz ich zastosowania MICHAŁ GULCZYŃSKI Instytut Systemów Informatycznych, WI Politechnika Szczecińska TECHNIKI ODKRYWANIA WIEDZY (DATA MINING) ORAZ ICH ZASTOSOWANIA Streszczenie Ilość danych gromadzonych współcześnie w bazach danych przedsiębiorstw rośnie w wielkim tempie. Duże ilości danych kryją zaś w sobie interesujące prawidłowości i wzorce, które opisują na przykład preferencje klientów, pozwalają dostrzec pewne wzorce ich zachowań. Ich poznanie może być kluczem do sukcesu dla niejednej firmy. Technologią umożliwiającą poznanie tych wzorców i przepowiadanie trendów jest eksploracja wiedzy (ang. data mining). W artykule tym przedstawiono podstawowe technologie data mining oraz ich zastosowania. 1. Wstęp Data minning jest obecnie jedną z najintensywniej rozwijanych dziedzin. Przyczyny są proste. Ilość informacji w świecie rośnie w tempie wykładniczym i powoli staje się niemożliwym efektywne zarządzanie nimi przy użyciu tradycyjnych systemów bazodanowych. Niezbędne staje się wsparcie ze strony systemów informatycznych, ale trudność leży w zaprojektowaniu systemów, które są zdolne odkrywać użyteczne informacje z minimalną interwencją użytkownika. Data mining, zwane również odkrywaniem wiedzy w bazach danych, definiuje się jako wydobywanie danych z ukrytej, wcześniej nieznanej i potencjalnie użytecznej informacji [1]. Wykorzystuje systemy ekspertowe, techniki statystyczne i wizualizację danych w celu odkrycia wiedzy i prezentacji jej w sposób łatwo zrozumiały dla człowieka. Techniki data mining przeszukują bazy danych w poszukiwaniu ukrytych wzorców, których istnienia użytkownik może nie być świadom. Celem artykułu jest przedstawienie zastosowań oraz wprowadzenie do podstawowych technologii data mining. 2. Przykład wykorzystania technik data mining Rozważmy przykład supermarketu, w którym w kasach używane są czytniki kodów paskowych. System komputerowy, do którego podłączone są kasy, ma za zadanie zidentyfikować nazwę i cenę każdego skanowanego produktu oraz zaktualizować stany magazynowe tak, aby zawartość półek mogła być uzupełniona we właściwym czasie. Większość tych danych może być usunięta wkrótce po ich wykorzystaniu do opisanych celów. Jednak dane te zawierają mnóstwo wartościowych informacji, które mogą być użyte do celów innych niż te, dla których są zbierane. Informacje te mogą być wykorzystane również do dostarczania zarządowi zestawień sprzedaży, śledzenia preferencji klientów, zbierania różnych informacji marketingowych oraz wnioskowania, jakie towary zazwyczaj są sprzedawane razem z innymi.

103 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, W omawianym przykładzie system wykorzystujący techniki data mining może wychwycić takie wzorce jak: które produkty są często kupowane łącznie, które produkty często znajdują się na rachunkach o wartości powyżej 300zł, które produkty są zazwyczaj kupowane przez rodziny (rodzinę można zidentyfikować na podstawie zakupu towarów przeznaczonych dla dzieci), które towary są często kupowane przez osoby robiące drobne zakupy. Oczywiste korelacje, takie jak powiązanie między zakupami tapet a zakupami klejów do tapet, nie są z punktu widzenia odkrywania wiedzy tak interesujące jak przykładowo korelacja pomiędzy pieluchami a piwem. Wzorce, które uważa się za interesujące zazwyczaj dotyczą powiązań, które nie są oczywiste, albo wręcz nieoczekiwane. 3. Zastosowania data mining w biznesie W zastosowaniach biznesowych data mining jest używane do odkrywania wzorców i relacji w istniejących danych. Celem jest oczywiście pomoc przy podejmowaniu lepszych decyzji biznesowych. Zastosowanie systemu wykorzystującego technologie data mining może pomóc wykryć trendy w sprzedaży artykułów, zaplanować lepszą kampanię marketingową, czy też przewidzieć ze znaczną dokładnością lojalność klienta. Przykłady zastosowania data mining to między innymi: segmentacja rynku identyfikacja wspólnych cech klientów, którzy kupują te same produkty, przewidywanie lojalności klientów identyfikacja cech klientów, którzy ze znacznym prawdopodobieństwem zrezygnują z usług firmy na rzecz konkurencji, wykrywanie oszustw biznesowych identyfikacja transakcji, które mogą się okazać oszustwem, marketing bezpośredni identyfikacja zainteresowań i potrzeb konkretnych klientów, do których są wysyłane prospekty reklamowe, marketing interaktywny przewidywanie, jakie produkty najbardziej interesują osobę, która przegląda właśnie firmowe strony WWW, analiza koszyka zakupów zrozumienie, które produkty lub usługi są często kupowane łącznie, analiza trendów odkrywanie różnic pomiędzy typowym zachowaniem klientów w tym miesiącu i w poprzednim. Uogólniając, zastosowania technologii data mining dzielą się na dwie podstawowe kategorie: Automatyczne odkrywanie nie znanych wcześniej wzorców. Przykładem jest analiza sprzedaży w celu identyfikacji towarów, które mimo braku bezpośredniego powiązania, są często sprzedawane razem. Innym przykładem jest wykrywanie oszustw dokonywanych przy pomocy kart kredytowych czy też anomalii w bazie danych. Automatyczne przewidywanie trendów i zachowań. Typowym przykładem problemu przewidywania jest kampania marketingu bezpośredniego. W takim przypadku można użyć dane historyczne z poprzednich kampanii, aby zidentyfikować krąg odbiorców, którzy z większym niż przeciętne prawdopodobieństwem odpowiedzą na kampanię.

104 104 Michał Gulczyński Techniki odkrywania wiedzy (data mining) oraz ich zastosowania Rys. 1. Przykład działania regresji liniowej 4. Jak działa data mining Technika używana przez data mining polega na zbudowaniu modelu opartego na danych historycznych, dla których znana jest odpowiedź, a następnie zastosowaniu tego modelu do nowych sytuacji, dla których odpowiedź nie jest jeszcze znana. Techniki modelowania są znane od wieków, ale dopiero ostatnie lata sprawiły, że nastąpił rozwój możliwości składowania wielkich ilości danych oraz wzrost możliwości obliczeniowych. Prostą ilustracją modelu może być przykład firmy telekomunikacyjnej, w której dyrektor handlowy chce skupić swoją uwagę na tej części klientów, którzy przynoszą największe dochody na połączeniach międzymiastowych. Ma on zebrane wiele informacji o klientach, ale nie jest w stanie stworzyć charakterystyki takiego klienta, ponieważ każdy klient jest opisany wielką liczbą cech, spośród których trudno jest wybrać te istotne dla zadanego problemu. Na swojej bazie danych klientów może jednak zastosować narzędzia data mining, które pozwolą stworzyć charakterystykę klienta, który wykonuje wiele rozmów międzymiastowych. Przykładowo, może się dowiedzieć, że najlepszymi klientami są niezamężne kobiety w wieku od 34 do 42 lat. Wówczas, posiadając taki model najlepszego klienta, może odpowiednio skierować swoją ofertę handlową. 5. Problemy z danymi W trakcie pracy z danymi przy pomocy technik data mining można należy mieć na uwadze następujące problemy wynikające z analizowanych danych: Niekompletne dane niektóre rekordy mogą mieć niekompletny zestaw atrybutów (nie zostały wypełnione w bazie danych). W takich przypadkach często zastępuje się niewypełnione pola danymi uśrednionymi bądź ignoruje się je w dalszych działaniach. Dane zaszumione dane mogą być wprowadzone niepoprawnie i wpływać na jakość generowanych wyników.

105 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, Dane temporalne dane przybywają w dużym tempie, mogą się również zmieniać. Problemem jest uwzględnianie zmian danych w otrzymanych już wcześniej wynikach. Wielka ilość danych analizowanie ogromnych zbiorów danych jest niezwykle kosztowne czasowo. Jedną z możliwości jest zastosowanie przetwarzania równoległego. Inna polega na próbkowaniu danych, zamiast przetwarzania całego zbioru danych. Mimo, że może to spowodować utratę informacji i zmniejszyć poziom zaufania do wyników, czasem warto poświęcić precyzję na rzecz wydajności. Niestandardowe typy danych niektóre typy danych są znacznie trudniejsze do przetwarzania, jak na przykład obrazy, dane multimedialne, dane geograficzne. 6. Techniki data mining Dziedzina data mining wykorzystuje wiele technik jedne z nich są znane od dziesięcioleci, inne powstały w ostatnich latach. Przynajmniej część spośród omówionych w artykule technik jest wykorzystywana w większości problemów biznesowych. 7. Statystyka Rys. 2. Algorytm K-najbliższych sąsiadów Metody statystyczne mogą być bardzo pomocne w procesie data mining, ponieważ umożliwiają uzyskanie odpowiedzi na wiele pytań dotyczących analizowanych danych: Jak wygląda podsumowanie, które da pogląd na zawartość bazy danych? Jakie wzorce znajdują się bazie danych? Jakie jest prawdopodobieństwo, że zajdzie zdarzenie X? Które wzorce są istotne? Jednym z ważniejszych zastosowań statystyki są metody wysokopoziomowej prezentacji danych, które udostępniają wartościowe informacje bez potrzeby dokładnego wnikania w znaczenie każdego rekordu danych. Poglądowe zestawienia, jak wykresy, wskaźniki procentowe, średnie, odchylenia, histogramy niosą równie istotne informacje, a są bardziej użyteczne przy podejmowaniu decyzji.

106 106 Michał Gulczyński Techniki odkrywania wiedzy (data mining) oraz ich zastosowania Metody statystyczne mogą być również wykorzystywane do dokonywania predykcji. Wykorzystywane są do tego między innymi metody regresji. Polegają one na wykorzystaniu danych historycznych w celu stworzenia modelu, który z najmniejszym błędem opisuje dane zjawisko przy pomocy funkcji matematycznej na przykład liniowej, lub kwadratowej (patrz rys. 1). Model ten może być następnie stosowany do przewidywania wyników dla nowych danych. W bardziej złożonych przypadkach funkcja regresji może być funkcją wielowymiarową. 8. Algorytm najbliższego sąsiada Prostym przykładem algorytmu najbliższego sąsiada jest próba oszacowania dochodów osoby, dla której znane jest miejsce zamieszkania. Łatwo zauważyć, że osoby mieszkające w sąsiedztwie mają dość zbliżone dochody. Stąd można wnioskować, że skoro najbliżsi sąsiedzi interesującej nas osoby zarabiają około 5.000zł miesięcznie, to znaczne jest prawdopodobieństwo, że i jej zarobki są na podobnym poziomie. Algorytm najbliższego sąsiada działa na bardzo zbliżonych zasadach z tą różnicą, że w bazie danych bliskość sąsiada określa się w o wiele bardziej skomplikowany sposób. Może być również określana przez wiele czynników równocześnie. Przykładowo do oszacowania zarobków osoby oprócz miejsca zamieszkania może być również przydatna znajomość jej wykształcenia. W takim przypadku definicja bliskości osób staje się bardziej skomplikowana. W każdym przypadku algorytm ten oparty jest na założeniu, że obiekty, które są sobie bliskie, mają również zbliżone wartości cechy przewidywanej. Stąd, jeśli znana jest wartość cechy dla jakiegoś obiektu, to można przewidzieć również wartość tej cechy dla jej najbliższego sąsiada. Pewnym usprawnieniem tego algorytmu jest przyjęcie zasady, że wartość przewidywana jest wnioskowana nie na podstawie najbliższego sąsiada, lecz na podstawie głosowania K najbliższych sąsiadów. Na rysunku 2. przedstawiony jest przykład, w którym obiekt X znajduje się w otoczeniu punktów, które symbolizują klientów nie zalegających z opłatami, ale jego najbliższym sąsiadem jest klient, który jest dłużnikiem. Ponieważ w algorytmie przewidziane jest jednak głosowanie, obiekt X zostanie zakwalifikowany jako klient, który prawdopodobnie nie będzie zalegał z opłatami. Ważnym aspektem każdego systemu data mining jest nie tylko przewidywanie i klasyfikowanie, ale również określanie stopnia pewności tych przepowiedni (na przykład: szansa, że klient będzie dłużnikiem, wynosi 75% ). W algorytmie najbliższego sąsiada stopień pewności można określić za pomocą dwóch kryteriów: odległość od najbliższego sąsiada jeśli sąsiad jest bardzo bliski, to pewność przepowiedni jest większa niż w przypadku, gdy najbliższy rekord jest w znacznej odległości od klasyfikowanego rekordu, stopień jednoznaczności wartości predykowanych wśród wszystkich K najbliższych sąsiadów jeśli wszyscy najbliżsi sąsiedzi dają tę samą wartość predykowaną, pewność przepowiedni dla klasyfikowanego rekordu jest znacznie większa niż w przypadku, gdy tej jednoznaczności nie ma. 9. Klastrowanie Klastrowanie jest metodą, która polega na grupowaniu rekordów według ich podobieństwa. Prostym przykładem klastrowania jest czynność wykonywana przez większość osób, które

107 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, przygotowują ubrania do prania. W trakcie przygotowania następuje segregacja rzeczy i podział ich na białe, kolorowe oraz czarne. Większość decyzji podejmowanych przy tym klastrowaniu to decyzje proste, ale bywają i skomplikowane do którego klastra przydzielić można przykładowo koszulę białą w czerwoną kratę? Klastrowanie dokonywane w rzeczywistych zastosowaniach biznesowych jest zazwyczaj znaczenie bardziej dynamiczne kategorie mogą się zmieniać nawet z tygodnia na tydzień, a podejmowanie decyzji o przydzieleniu do właściwego klastra może być znacznie bardziej złożone. Podstawowe zastosowania klastrowania to między innymi: dostarczanie użytkownikowi poglądu na zawartość bazy danych kartoteka klientów podzielona na kilka przejrzystych klastrów jest dla użytkownika systemu bardziej przejrzysta i łatwiej na takiej podstawie formułować wnioski, automatyczne kategoryzowanie obiektów (segmentacja) wśród klientów podzielonych na kilka kategorii łatwiej jest wychwycić pewne prawidłowości i wspólne zachowania, wychwytywanie nieprawidłowości w danych po dokonaniu segmentacji łatwiej jest wyizolować dane błędne, lub takie, które wyraźnie odstają od reszty. Sposobów dokonania segmentacji jest wiele. Kartotekę klientów można równie dobrze klastrować używając za główne kryterium poziom dochodów, jak i kolor oczu, wzrost oraz wiek. Oba sposoby klastrowania są równie dobre, a wybór kryterium powinien być podyktowany potrzebami. Algorytmy klastrowania danych dzielą się na dwie kategorie: hierarchiczne i niehierarchiczne. Klastrowanie hierarchiczne polega na utworzeniu hierarchii klastrów, w której każdy klaster składa się z mniejszych, bardziej szczegółowych. Klaster najwyższego poziomu zawiera w sobie wszystkie rekordy, zaś klastry najniższego poziomu grupują w sobie rekordy identyczne. Hierarchiczna metoda klastrowania jest przeprowadzana wyłącznie na podstawie danych i nie wymaga żadnej interwencji użytkownika. Po dokonaniu klastrowania użytkownik systemu sam może dobrać dogodną liczbę klastrów poruszając się w górę lub w dół utworzonej hierarchii. Klastrowanie hierarchiczne może być dokonane na dwa sposoby: albo poprzez utworzenie jednego klastra obejmującego wszystkie dane i kolejne podziały klastrów na coraz mniejsze aż do uzyskania klastrów o jednorodnej zawartości, albo poprzez utworzenie klastrów elementarnych o jednorodnej zawartości i scalanie na kolejnych poziomach kolejnych klastrów w większe aż do uzyskania jednego. Klastrowanie niehierarchiczne wymaga współpracy użytkownika systemu. Musi on podać docelową liczbę klastrów albo minimalną bliskość, która pozwala zakwalifikować dwa rekordy do jednego klastra. Algorytm klastrowania może w tym przypadku polegać na utworzeniu pożądanej liczby klastrów, przydzieleniu rekordów w sposób losowy i kolejnych przetasowaniach danych, aż do uzyskania najlepszej segmentacji. Klastrowanie jest techniką zbliżoną do algorytmów najbliższego sąsiada. Podstawowe równice między tymi technikami przedstawia tabela 1.

108 108 Michał Gulczyński Techniki odkrywania wiedzy (data mining) oraz ich zastosowania Najbliższy sąsiad Używane głównie do predykcji. 10. Drzewa decyzyjne Klastrowanie Używane głównie do konsolidacji danych na wyższym poziomie, również do predykcji. Uczenie wymaga interakcji z użytkownikiem systemu. W trakcie uczenia nie jest wymagana interakcja z użytkownikiem. Określanie bliskości sąsiadów jest dość prostą operacją arytmetyczną. Określanie bliskości dwóch rekordów jest złożone. Tabela 1. Zestawienie różnic pomiędzy techniką najbliższego sąsiada i klastrowaniem Drzewo decyzyjne jest modelem predykcyjnym, który jak nazwa wskazuje przedstawiany jest w formie drzewa. Każda gałąź drzewa stanowi pytanie klasyfikacyjne, a liście drzewa są częścią danych, odpowiednio sklasyfikowaną. Przykład drzewa decyzyjnego jest przedstawiony na rysunku 3. Na przedstawionym przykładzie widać, że drzewa decyzyjne są metodą dość prostą do zrozumienia dla przeciętnego użytkownika, w przeciwieństwie do sieci neuronowych, czy zaawansowanej statystyki. Zbudowany model może być również bez trudu wykorzystany do dotarcia do klientów, których odejście do konkurencji jest prawdopodobne. Na podstawie drzewa decyzyjnego można również budować reguły opisujące zjawisko. W podanym przykładzie można zauważyć, że klienci, którzy mają nowy telefon oraz są klientami od dwóch lat, rzadko odchodzą do konkurencji. Drzewa decyzyjne można łatwo tłumaczyć na serie warunków, a więc można na ich podstawie budować zapytania SQL. Dzięki temu możne je wykorzystywać w relacyjnych bazach danych i istniejących systemach informatycznych. Drzewa decyzyjne mogą być używane do eksploracji danych. Cenne informacje można odczytać z warunków i wartości, które rozgraniczają poszczególne gałęzie struktury. Przykładowo, wygenerowana reguła postaci JEŻELI staż klienta < 1 rok ORAZ kanał pomocy technicznej = serwis telefoniczny TO prawdopodobieństwo odejścia klienta = 65% dałaby wiele do myślenia na temat sposobu pracy serwisu telefonicznego. Innym zastosowaniem drzew decyzyjnych jest wstępna obróbka danych przed przekazaniem ich do innych algorytmów. Ponieważ algorytmy drzew decyzyjnych są dość szybkie i można je stosować do różnych typów zmiennych (liczby, kategorie, wartości logiczne), można je wykorzystać do odrzucania tych predyktorów, które nie mają większego wpływu na obserwowane zjawisko. Zmniejszony zestaw zmiennych może być później wykorzystany do zbudowania prostszej sieci neuronowej lub zastosowany w standardowych metodach statystycznych. Oczywistym jest również zastosowanie modelu drzewa decyzyjnego do celów predykcyjnych. Algorytm budowania drzewa decyzyjnego polega na próbie skonstruowania drzewa, które działa w sposób najbardziej zbliżony do idealnego dla danego zestawu danych. Zazwyczaj skonstruowanie drzewa doskonałego jest niemożliwe. W każdym momencie budowania drzewa celem jest znalezienie najlepszego pytania dla danej gałęzi. Dobrym pytaniem jest takie, które w większym stopniu organizuje dane. W omawianym wcześniej przykładzie pytanie, które rozgraniczy liczbę klientów lojalnych i nielojalnych w

109 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, Rys. 3. Model prezentujący lojalność klientów sieci komórkowej przy przedłużaniu kontraktu. proporcji 40% do 60% jest pytaniem zdecydowanie słabszym od pytania, które rozgraniczy w proporcjach 10% do 90%. Drugie organizuje dane znacznie lepiej. Proces doboru pytań dla poszczególnych gałęzi drzewa polega zazwyczaj na wypróbowywaniu wszystkich możliwych pytań i wyborze tego, które rozgranicza dane na części w miarę możliwości homogeniczne. Proces ten jest następnie powtarzany dla nowo utworzonych gałęzi tak długo, aż zajdzie któryś z poniższych warunków: utworzony segment zawiera rekordy o identycznej charakterystyce, dalsze dzielenie nie daje satysfakcjonującego podziału danych jest nieopłacalne. 11. Sztuczne sieci neuronowe Sieci neuronowe są techniką o wielkich możliwościach. Modele zbudowane przy pomocy sieci neuronowych są jednak dość skomplikowane, a przez to trudne do zrozumienia i analizy nawet dla eksperta. Model jest reprezentowany przez szereg współczynników, które są wykorzystywane w skomplikowanych wyliczeniach matematycznych. Inne techniki data mining, jak klastrowanie czy drzewa decyzyjne, budują modele łatwe do zrozumienia i wyjaśnienia. Sieci neuronowe polegają wyłącznie na współczynnikach, więc ich interpretacja jest w złożonych przypadkach praktycznie niemożliwa. Należy je traktować jako narzędzie niezwykle sprawne i pomocne, ale zarazem będące czarną skrzynką, której działanie jest bardzo trudne do zrozumienia i wyjaśnienia. Przez to również i wyniki działania sieci neuronowych mogą się cieszyć mniejszym zaufaniem.

110 110 Michał Gulczyński Techniki odkrywania wiedzy (data mining) oraz ich zastosowania 12. Reguły logiczne Reguły logiczne są jedną z podstawowych form data mining. Są też prawdopodobnie najczęstszą formą odkrywania wiedzy w systemach eksploracji wiedzy. Przykładowe reguły logiczne wydobyte z bazy danych to: jeżeli zakupiono bagietki, to w 90% przypadków zakupiono również ser twarogowy; schemat taki powtarza się w 3% koszyków, jeżeli zakupiono rośliny doniczkowe, to w 60% przypadków zakupiono również nawóz do kwiatów; te dwie rzeczy naraz znajdują się w 6% koszyków. Jak łatwo zauważyć, reguła ma zawsze formę implikacji i jest podparta dwoma wskaźnikami: wartością zaufania do reguły (oddaje prawdopodobieństwo potwierdzenia zdarzenia w przyszłości) oraz wartością wsparcia dla reguły (prezentuje częstość występowania zdarzenia). Reguły są wydobywane z bazy danych, aby zaprezentować je użytkownikowi według stopnia zaufania i wsparcia. Kiedy reguły są już wydobyte z bazy danych, można je wykorzystać zarówno do lepszego zrozumienia zachodzących w niej prawidłowości, jak i do dokonywania predykcji na ich podstawie. Wnioski z reguł logicznych można wyciągać skupiając się na: poprzedniku implikacji po wybraniu wszystkich reguł o identycznym poprzedniku implikacji można wnioskować, jakie są konsekwencje danego zdarzenia; następniku implikacji po wybraniu wszystkich reguł o identycznym następniku implikacji można wnioskować, jakie zdarzenia prowadzą do danego efektu; wartości zaufania wówczas otrzymujemy listę reguł, których spełnianie jest najbardziej prawdopodobne; reguły, których spełnienie jest bardzo prawdopodobne mogą być interesujące nawet, jeśli częstość ich występowania jest niewielka; wartości wsparcia otrzymujemy wówczas listę reguł, które często występują w bazie danych; stopnia ciekawości ciekawą regułą jest taka, która ma wysoką wartość zaufania i wsparcie, a zarazem odstaje od spodziewanych norm. 13. Uwagi końcowe W artykule przedstawiono metody działania technik data mining oraz podstawowe algorytmy służące do eksploracji wiedzy w bazach danych. Metody te, mimo że wymagają znacznych nakładów obliczeniowych, dają znaczną przewagę nad tradycyjnymi sposobami korzystania z baz danych. Odczytywanie informacji ukrytych pomiędzy wierszami w wielkich bazach danych i wyciąganie z nich wniosków może stać się kluczem do sukcesu wielu przedsiębiorstw. 14. Literatura: 1. W. J. Frawley, G. Piatetsky-Shapiro, C. J. Matheus: Knowledge Discovery in Databases: An Overview, AAAI/MIT Press 2. Sara Reese Hedberg: The Data Gold Rush, BYTE Magazine October Alex Berson, Stephen Smith, Kurt Thearling: Building Data Mining Applications for CRM 4. Kurt Thearling: Data Mining and Analytic Technologies, mgr inż. Michał Gulczyński Politechnika Szczecińska Instytut Systemów Informatycznych, ul. Żołnierska 49, Szczecin, michal.gulczynski@wi.ps.pl

111 Jarosław Wątróbski 111 Modelowanie ilościowych charakterystyk systemów komputerowych w strategii informatyzacji organizacji JAROSŁAW WĄTRÓBSKI Instytut Systemów Informatycznych Politechnika Szczecińska MODELOWANIE ILOŚCIOWYCH CHARAKTERYSTYK SYSTEMÓW KOMPUTEROWYCH W STRATEGII INFORMATYZACJI ORGANIZACJI Streszczenie W artykule przedstawiono problemy doboru strategii informatyzacji przedsiębiorstwa, identyfikację istotnych płaszczyzn modelowania w systemie informacyjnym przedsiębiorstwa, oraz uogólnioną postać liniowego modelu doboru systemu i infrastruktury informatycznej przedsiębiorstwa. 1. Wstęp Strategia informatyzacji stanowi ogół działań związanych z doborem właściwych (dla danego środowiska informacyjnego) systemu informatycznego, oprogramowania wsadowego, komputerów jak również infrastruktury towarzyszącej. Aspekt ekonomiczny informatyzacji dodatkowo wymaga uwzględnienia pełnych kosztów procesu, jak również oceny jego efektywności. W tym kontekście artykuł niniejszy stanowi analizę metod doboru i realizacji strategii informatyzacji. Część pierwsza stanowi wyjaśnienie pojęcia strategii informacyjnej i informatyzacji. W dalszej części przedstawiono ważniejsze metody wspomagające dobór strategii informatyzacji przedsiębiorstwa, jak również autorski model doboru systemów i infrastruktury informatycznej. 2. Problemy doboru strategii informatyzacji Zmienne systemy informacyjne przedsiębiorstw, indywidualne uwarunkowania ekonomiczne, jak również czynniki ryzyka wprowadzenia nowych technologii powodują, że odpowiednie kształtowanie systemu informatycznego nie jest zagadnieniem trywialnym i wymaga szczegółowej analizy. W konsekwencji niezbędne staje się opracowanie strategii informatyzacji, która definiuje reguły, standardy i potrzeby informacyjne oraz ogólne sposoby ich zaspokajania. Strategia informatyzacji [2] stanowi kompleks wizji, celów, wytycznych i planów gromadzenia i dysponowania informacją w organizacji. Strategia informatyzacji podporządkowana jest nadrzędnej strategii gospodarczej przedsiębiorstwa. Sposób jej realizacji warunkuje nadrzędny cel i misja przedsiębiorstwa. Powoduje to, że strategia informatyzacji pełni jedynie rolę wykonawczą. Warto jednak zaznaczyć, że przygotowanie do wprowadzenie technologii informatycznej w przedsiębiorstwie stanowi idealny moment do usprawnienia zachodzących w organizacji procesów biznesowych (BPR) jak również wprowadzenia nowoczesnych metod zarządzania organizacją [1]. Jako najważniejszy cel formułowania i implementacji strategii informatyzacji przyjmuje się użyteczność i aktualność informacji dla decydentów. Oczekiwane efekty strategii informatyzacji stanowią: zmiany w strategii biznesu w wyniku realizacji strategii informatyzacji,

112 112 POLSKIE TOWARZYSTWO ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr2, 2004 optymalna struktura systemu informatycznego i architektury informatycznej, zmiana jakości informacji decyzyjnej, redukcja kosztów przetwarzania informacji [5]. Dobór i doskonalenie strategii informatyzacji, ze względu na różnorodność sytuacji decyzyjnych, wymusza często wyjście poza obszar technologiczny i szersze spojrzenie na problem informatyzacji również w kontekście społecznym, ekonomicznym, organizacyjnym i decyzyjnym. Powyższa definicja powoduje, że dobór strategii informatyzacji jest procesem złożonym i wieloetapowym. W pierwszej kolejności wymaga określenia kluczowych czynników kształtujących strategię informatyzacji przedsiębiorstwa oraz określenia zakresu informatyzacji. W konsekwencji pozwala nam zaplanować proces informatyzacji i określić odpowiedni wariant informatyzacji przedsiębiorstwa (wraz z oceną jego opłacalności, jakości i niezawodności). Osiągnięcie pożądanych efektów odbywa się przy użyciu dostępnych metod doboru strategii informatyzacji [2,4,6,7,8]. Dostępne w literaturze metody i procedury doboru strategii informatyzacji ukierunkowane są na wspomaganie całego procesu doboru strategii przedsiębiorstwa. Warto również zaznaczyć, że metody te są słabo sformalizowane i opierają się na analizie czynników jakościowych. Brak w nich jednak zdefiniowanego w sposób jednoznaczny i szczegółowy etapu doboru systemu i infrastruktury informatycznej przedsiębiorstwa. Ich preoptymalizacyjny charakter powoduje, że nie można w sposób obiektywny dokonać wyboru i oceny właściwego rozwiązania. Nie gwarantują całościowego (ogół i szczegół) spojrzenia na proces informatyzacji. 3. Modelowanie doboru systemów informatycznych i infrastruktury technicznej Celem artykułu jest opracowanie liniowego modelu doboru infrastruktury informatycznej przedsiębiorstwa z uwzględnieniem zmiennej specyfiki warunków zarządzania. Przyjęcie jako formalnej podstawy metod programowania liniowego gwarantuje uwzględnienie dostępnych ilościowych charakterystyk sprzętu, systemów i urządzeń komputerowych. Etapy postępowania w kolejności podporządkowano procedurze wielokryterialnej analizy decyzyjnej [10]. Dokonano w kolejności (Rys. 1) strukturalizacji problemu, modelowania preferencji i eksploatacji modelu. Podstawę budowy modelu infrastruktury technicznej stanowi podział systemu informatycznego na moduły funkcjonalne. Niezależnie od klasy systemu możemy wyodrębnić w każdej z nich skończoną liczbę modułów (m. in. sprzedaż, gospodarka magazynowa, kadry-płace, gospodarka finansami, zarządzanie przepływem prac, środki trwałe...). W obrębie każdego z modułów dokonać należy analizy następujących trzech płaszczyzn: - zakresu funkcjonalnego - przebiegów informacyjnych - następstw ekonomicznych Dla każdego z modułów określić możemy ilości dokumentów i czasy ich przetwarzania, a na ich podstawie opracować zbiór ograniczeń modelu oraz bilanse przetwarzania i obsługi systemu. Jako okres oszacowania wartości przyjęto jeden miesiąc. Dodatkowo uwzględnić musimy niezbędną dla każdego stanowiska danego modułu infrastrukturę techniczną oraz oprogramowanie wsadowe. Warto zaznaczyć, że niezbędną infrastrukturę techniczną danego stanowiska stanowi zarówno jednostka centralna, oprogramowanie wsadowe jak również przypadające na ten komputer udziały w alokacji zasobów sieciowych (np. serwera plików, baz danych, drukarek sieciowych, skanerów) i pozostałej niezbędnej infrastruktury. Powyższe założenia powodują, że w obrębie modułu funkcjonalnego systemu niezbędne jest określenie następujących równań

113 Jarosław Wątróbski 113 Modelowanie ilościowych charakterystyk systemów komputerowych w strategii informatyzacji organizacji bilansowych: Rys. 1. Procedura wielokryterialnej analizy decyzyjnej Źródło: opracowanie własne na podstawie [10] - bilansu przetwarzania dokumentów - bilansu przetwarzania dokumentów w okresie szczytowym - bilansu obsługi - bilansu infrastruktury technicznej, (np. bilansu drukarek, bilansu serwerów, bilansu oprogramowania wsadowego), zaś wartości ograniczeń tworzą ilości dokumentów niezbędnych do przetworzenia w modułach. Takie podejście gwarantuje możliwość właściwego modelowania, a w konsekwencji optymalnego doboru infrastruktury informatycznej przedsiębiorstwa. Analiza na najniższym poziomie (poszczególnych cech funkcjonalnych oraz procesów informacyjnych systemu), jak też holistyczne spojrzenie na koszty i jakość systemu informatycznego stwarzają możliwość zarządzania ogółem i szczegółem systemu informatycznego jednocześnie. Konstrukcja modelu oparta jest na przepływach informacyjnych. W modelu przyjmują one postać bilansów i ograniczeń. Bilans przetwarzania dokumentów ma postać: S j = 1 M i = 1 ij 1 ij K k = 1 M i = 1 gdzie: w i,j - wydajność miesięczna i-tego modułu w j-tym systemie w x l ki t ki 0, (1)