Systémy pro podporu rozhodování. Modelování a analýza
|
|
- Irena Dostálová
- před 8 lety
- Počet zobrazení:
Transkript
1 Systémy pro podporu rozhodování Modelování a analýza 1
2 Připomenutí obsahu minulé přednášky Datové sklady, přístup, analýza a vizualizace Povaha a zdroje dat (data, informace, znalosti a interní, externí, personální) Sběr dat a související problémy Internet a komerční databázové služby Systémy pro řízení databází v DSS Organizace a struktura databází Datové sklady 2
3 Připomenutí obsahu minulé přednášky Architektury datových skladů Složky datových skladů Charakterizace datového skladování Vizualizace dat a multidimenzionalita OLAP: Přístup k datům, dolování, dotazování a analýza Data mining - dolování v datech Inteligentní databáze a dolování v datech Nástroje pro inteligentní dolování v datech 3
4 5. Modelování a analýza 5.1 Motivační příklad 5.2 Modelování v MSS 5.3 Statické a dynamické modely 5.4 Zpracování nejistoty a rizika 5.5 Influenční diagramy 5.6 Použití tabulkových procesorů 5.7 Rozhodovací tabulky a stromy 4
5 5.1 Motivační příklad Siemens Solar Industries (SSI) uspořil miliony pomocí simulace: Problémy s kvalitou a plynulostí výroby Rozhodnutí zavést technologii zvlášť čistých prostor poprvé v solárním průmyslu, ale žádné předběžné zkušenosti Použití simulace - nástroj ProModel (virtuální laboratoř, testování různých konfigurací) Hlavní přínosy: získání znalostí a pochopení souvislostí, možnost komplexního návrhu Zdokonalení výrobního procesu SSI ušetřila více než 75 milionů dolarů ročně 5
6 5.2 Modelování v MSS Modelování šetří peníze, čas a další zdroje Na modelu lze snadno provádět změny Modelování je klíčovým prvkem ve většině DSS a je nutností v modelově orientovaných DSS Simulace je oblíbený způsob modelování, ale existují i jiné přístupy: 6
7 Typy modelů Statistické modely (např. regresní analýza - relace mezi proměnnými) Finanční modely (např. systémy pro finanční plánování) Optimalizační modely (např. lineární programování) DSS může být vystavěn na použití kombinace více modelů, standardních i vytvořených na zakázku Vhodný poměr mezi jednoduchostí a reprezentativností modelu 7
8 Modely podle stupně abstrakce Ikonické (měřítkové) modely nejméně abstraktní, fyzikální kopie systému, obvykle v jiném měřítku (modely letadel, automobilů, fotografie, GUI) Analogické modely nevypadají jako modelovaný systém, ale chovají se stejně; jsou více abstraktní (organizační tabulky a grafy, mapy, schémata) Matematické (kvantitativní) modely nejvíce abstraktní, nejčastější typ u DSS 8
9 Hlavní východiska a pojmy modelování Identifikace problému Analýza prostředí Identifikace proměnných Prognostika (předpovídání) Vícenásobné modely Kategorie modelů a jejich výběr Řízení báze modelů Znalostní modelování 9
10 Identifikace problému a analýza prostředí Identifikace cílů a požadavků a zjištění, jak jsou naplňovány Problém = rozdíl mezi požadovaným a skutečným stavem Stanovení, jaký problém existuje, jaké má symptomy a jak jsou tyto symptomy výrazné Symptomy mohou být považovány za problém Zjišťování existence problému u organizace se provádí monitorováním činnosti a analýzou dat 10
11 Identifikace proměnných Identifikace proměnných v modelu a vzájemných vazeb mezi nimi je velmi důležitou fází procesu modelování Užitečné mohou být např. influenční diagramy (viz dále) 11
12 Prognostika (předpovídání) Pro konstrukci a manipulaci s modelem nezbytná - výsledky rozhodování založené na modelování se zpravidla týkají budoucnosti 12
13 Vícenásobné modely DSS mohou obsahovat řadu modelů (pro různé subproblémy rozhodovacího problému) Některé jsou standardní, vestavěné ve vývojových nástrojích Některé jsou standardní, samostatný sw Nestandardní je třeba vytvořit 13
14 Kategorie modelů Optimalizace problému s několika alternativami: Cíl: najít nejlepší řešení z malého počtu alternativ Příklad metody: rozhodovací tabulky, rozhodovací stromy Optimalizace pomocí algoritmu: Cíl: najít nejlepší řešení z velkého až nekonečného počtu alternativ použitím procesu postupného zlepšování Příklad metody: modely matematického programování (lineární, apod.), síťové modely 14
15 Kategorie modelů Optimalizace pomocí analytické formule: Cíl: najít nejlepší řešení v jediném kroku, použitím formule Příklad metody: některé modely zásob Simulace: Cíl: najít dostatečně dobré řešení, nebo nejlepší řešení mezi testovanými alternativami použitím experimentů Příklad metody: různé typy simulace Heuristiky: Cíl: najít dostatečně dobré řešení použitím pravidel Příklad metody: heuristické programování, expertní systémy 15
16 Kategorie modelů Prediktivní modely: Cíl: předpověď budoucího vývoje daného scénáře Příklad metody: Markovova analýza Jiné modely: Cíl: analýza what-if použitím formule Příklad metody: finanční modelování 16
17 Řízení báze modelů Pro udržení integrity a využitelnosti Sw pro řízení báze modelů (viz dále) 17
18 Znalostní modelování DSS zpravidla používají kvantitativní modely Expertní systémy používají kvalitativní, znalostní modely Pro konstrukci použitelných modelů jsou zapotřebí určité znalosti 18
19 5.3 Statické a dynamické modely Statická analýza Na základě statického průřezu analyzovanou situací Např. rozhodnutí zda vyrobit či koupit nějaký produkt Dynamická analýza Dynamické modely Vyhodnocení scénářů závislých na čase Ukazují trendy a časové průběhy událostí Statické modely lze mnohdy rozšířit na dynamické 19
20 5.4 Zpracování nejistoty a rizika Modelování za jistoty Nejistota (neurčitost) Riziko 20
21 Modelování za jistoty Máme ho rádi Lehce se s ním pracuje a dává optimální výsledky Mnoho finančních modelů je konstruováno za předpokladů jistoty Speciální zájem si zasluhují problémy, které mají nekonečný (nebo mimořádně vysoký) počet možných řešení 21
22 Modelování za nejistoty Manažeři se snaží maximálně eliminovat nejistotu Snaží se získat co nejvíce dodatečných informací, aby bylo možné problém řešit buďto za jistoty, nebo s kalkulovaným rizikem Nelze-li získat více informací, s problémem je nutno zacházet jako s neurčitým 22
23 Modelování za rizika Většina manažerských rozhodnutí je za předpokladu jistého rizika Pro analýzu rizika je k dispozici několik technik, např.: rozhodovací tabulky rozhodovací stromy simulace faktory neurčitosti fuzzy logika 23
24 5.5 Influenční diagramy Grafická reprezentace modelu, která pomáhá při návrhu modelu, při jeho dalším zpracování a jeho pochopení Poskytuje prostředek vizuální komunikace pro řešitelský tým Slouží také jako rámec pro vyjádření vztahů v modelu INFLUENCE = vyjádření závislosti mezi proměnnými v modelu 24
25 Grafické znázornění Konvence Bloky (rozhodovací, neřízené a výsledné proměnné) Spojky (směr a typ působení) Tvary bloků a spojek Libovolná úroveň podrobností 25
26 Příklad - model Zisk (Smith, 1995) Profit = Income Expenses Income = Units sold x Unit price Units sold = 0,5 x Amount used in advertisement Expenses = Unit cost x Unit sold + Fixed costs 26
27 Influenční diagram modelu Zisk Fixed cost Expenses Unit cost Profit ~ Amount used in advertisement Units sold Income Unit price
28 Softwarové řešení Analytica DPL DS Lab INDIA NETICA Precision Tree... Standardní grafické a CASE (Computer-aided software engineering) programové balíky 28
29 5.6 Použití tabulkových procesorů Tabulkové procesory: nejpopulárnější nástroj modelování určený pro koncové uživatele Obsahuje mocné funkce finanční, statistické, matematické, logické, pro práci s časem, pro zpracování řetězců, apod. Možnost použití externích přídavných (add-in) funkcí a tzv. řešitelů pro optimalizaci Důležité pro analýzu, plánování, modelování Jsou programovatelné (využití maker) Jednoduché prvky pro řízení databází 29
30 5.7 Rozhodovací tabulky a stromy Analýza problému pro rozhodování při malém počtu alternativ Očekávané příspěvky alternativ a jejich pravděpodobnost vzhledem k cíli Řešení situací s jediným cílem Rozhodovací tabulky Rozhodovací stromy 30
31 Rozhodovací tabulky Příklad investic Jediný cíl: Maximalizovat výnos po jednom roce = vybrat nejlepší investiční alternativu Výnos závisí na stavu ekonomiky: Růst Stagnace Inflace 31
32 Rozhodovací tabulky 1. Je-li ekonomický růst, obligace se zhodnotí o 12%; akcie o 15% a termínované vklady o 6,5% 2. Převládá-li ekonomická stagnace, obligace se zhodnocují o 6%, akcie o 3% a termínované vklady opět o 6,5% 3. Převládá-li inflace, obligace vzrostou o 3%, akcie přinesou ztrátu 2% a termínované vklady dají znovu 6,5% výnos 32
33 Rozhodovací tabulky ~ hra dvou hráčů: investor příroda Rozhodovací tabulka - tabulka výplat (viz snímek 34) Rozhodovací proměnné (alternativy) Neřízené proměnné (stav ekonomiky) Výslední proměnná (předpokládaný výnos) 33
34 Rozhodovací tabulka pro problém investic Stav ekonomiky Alternativy Růst Stagnace Inflace Obligace Akcie 12,0% 6,0% 3,0% 15,0% 3,0% -2,0% Termínovaný vklad 6,5% 6,5% 6,5%
35 Práce s neurčitostí Optimistický přístup Uvažujeme nejlepší možný výsledek nejlepší alternativy (= akcie) Pesimistický přístup Uvažujeme nejlepší z nejhorších výsledků jednotlivých alternativ (= termínované vklady) 35
36 Zvládnutí rizika Použití známých (odhadovaných) pravděpodobností (Snímek 37) Analýza rizika: Výpočet očekávaných hodnot a výběr alternativy s nejlepším výsledkem Může být nebezpečné - i mizivá pravděpodobnost katastrofické ztráty může mít podstatný vliv na očekávanou hodnotu 36
37 Řešení rozhodování za rizika Růst Stagnace Inflace Alternativy 0,5 0,3 0,2 Očekávaná hodnota Obligace 12,% 6,0% 3,0% 8,4% Akcie 15,0% 3,0% -2,0% 8,0% Termínovaný vklad 6,5% 6,5% 6,5% 6,5%
38 Rozhodovací stromy Jiné metody analýzy rizika Simulace Faktory jistoty Fuzzy logika Vícenásobné cíle Snímek 39: Výnos, jistota, likvidita Uvažování nejistoty a rizika AHP (Analytic Hierarchy Process) 38
39 Výnos vs. jistota vs. likvidita Alternativy Výnos Jistota Likvidita Obligace 8,4% Vysoká Vysoká Akcie 8,0% Nízká Vysoká (?) Termínovaný vklad 6,5% Velmi vysoká Vysoká
40 40 konec
Systémy pro podporu rozhodování. Modelování a analýza
Systémy pro podporu rozhodování Modelování a analýza 1 Připomenutí obsahu minulé přednášky Datové sklady, přístup, analýza a vizualizace Povaha a zdroje dat (data, informace, znalosti a interní, externí,
VíceSystémy pro podporu. rozhodování. 2. Úvod do problematiky systémů pro podporu. rozhodování
1 Systémy pro podporu rozhodování 2. Úvod do problematiky systémů pro podporu rozhodování 2 Připomenutí obsahu minulé přednášky Rozhodování a jeho počítačová podpora Manažeři a rozhodování K čemu počítačová
VíceSystémy pro podporu rozhodování. Hlubší pohled 2
Systémy pro podporu rozhodování Hlubší pohled 2 1 Připomenutí obsahu minulé přednášky Motivační příklad Konfigurace DSS Co to je DSS? definice Charakterizace a možnosti DSS Komponenty DSS Subsystém datového
VícePowerOPTI Řízení účinnosti tepelného cyklu
PowerOPTI Řízení účinnosti tepelného cyklu VIZE Zvýšit konkurenceschopnost provozovatelů elektráren a tepláren. Základní funkce: Spolehlivé hodnocení a řízení účinnosti tepelného cyklu, včasná diagnostika
VíceOtázky ke státní závěrečné zkoušce
Otázky ke státní závěrečné zkoušce obor Ekonometrie a operační výzkum a) Diskrétní modely, Simulace, Nelineární programování. b) Teorie rozhodování, Teorie her. c) Ekonometrie. Otázka č. 1 a) Úlohy konvexního
VíceRozhodovací procesy 3
Rozhodovací procesy 3 Informace a riziko Příprava předmětu byla podpořena projektem OPPA č. CZ.2.17/3.1.00/33253 III rozhodování 1 Rozhodovací procesy Cíl přednášky 1-3: Význam rozhodování Rozhodování
VíceObsah. iii 1. ÚVOD 1 2. POJETÍ RIZIKA A NEJISTOTY A ZDROJE A TYPY RIZIKA 5
Obsah 1. ÚVOD 1 1.1 ÚVOD 1 1.2 PROČ JE ŘÍZENÍ RIZIK DŮLEŽITÉ 1 1.3 OBECNÁ DEFINICE ŘÍZENÍ RIZIK 2 1.4 PŮVOD VZNIKU A STRUKTURA 3 1.5 ZÁMĚR 3 1.6 ROZSAH KNIHY 4 2. POJETÍ RIZIKA A NEJISTOTY A ZDROJE A TYPY
VíceIng. Alena Šafrová Drášilová, Ph.D.
Rozhodování Ing. Alena Šafrová Drášilová, Ph.D. Rozhodování??? video Obsah typy rozhodování principy rozhodování rozhodovací fáze základní pojmy hodnotícího procesu rozhodovací podmínky rozhodování v podmínkách
VíceOVLÁDÁNÍ RIZIKA ANALÝZA A MANAGEMENT
TICHÝ Milík OVLÁDÁNÍ RIZIKA ANALÝZA A MANAGEMENT Obsah Předmluva... V Značky a symboly... VII Přehled nejpoužívanějších zkratek... IX Názvosloví... XI Rizikologie... XV Základní pojmy... 1 1. Rizikologické
VíceIng. Alena Šafrová Drášilová
Rozhodování II Ing. Alena Šafrová Drášilová Obsah vztah jedince k riziku rozhodování v podmínkách rizika rozhodování v podmínkách nejistoty pravidlo maximin pravidlo maximax Hurwitzovo pravidlo Laplaceovo
VíceInformační systémy 2006/2007
13 Vysoká škola báňská Technická univerzita Ostrava Fakulta strojní, Katedra automatizační techniky a řízení Informační systémy 2006/2007 Ivan Kedroň 1 Obsah Analytické nástroje SQL serveru. OLAP analýza
VíceU Úvod do modelování a simulace systémů
U Úvod do modelování a simulace systémů Vyšetřování rozsáhlých soustav mnohdy nelze provádět analytickým výpočtem.často je nutné zkoumat chování zařízení v mezních situacích, do kterých se skutečné zařízení
VíceBusiness Intelligence nástroje a plánování
Business Intelligence nástroje a plánování pro snadné reportování a vizualizaci Petr Mlejnský Business Intelligence pro reporting, analýzy a vizualizaci Business Intelligence eporting Dashboardy a vizualizace
VíceZáklady business intelligence. Jaroslav Šmarda
Základy business intelligence Jaroslav Šmarda Základy business intelligence Business intelligence Datový sklad On-line Analytical Processing (OLAP) Kontingenční tabulky v MS Excelu jako příklad OLAP Dolování
VíceProcesní řízení operačních sálů Mgr. Martin Gažar
Procesní řízení operačních sálů Mgr. Martin Gažar Procesy Procesy Procesní analýza Procesní mapa Modely procesů Optimalizace procesů Přínosy procesní analýzy Procesy a modely Procesy Abychom mohli úspěšně
VíceTeorie systémů TES 5. Znalostní systémy KMS
Evropský sociální fond. Praha & EU: Investujeme do vaší budoucnosti. Teorie systémů TES 5. Znalostní systémy KMS ZS 2011/2012 prof. Ing. Petr Moos, CSc. Ústav informatiky a telekomunikací Fakulta dopravní
VíceRozhodování. Ing. Alena Šafrová Drášilová, Ph.D.
Rozhodování Ing. Alena Šafrová Drášilová, Ph.D. Rozhodování??? video Obsah typy rozhodování principy rozhodování rozhodovací fáze základní pojmy hodnotícího procesu rozhodovací podmínky rozhodování v podmínkách
VíceSystémy pro podporu rozhodování. Datové sklady, OLAP
Systémy pro podporu rozhodování Datové sklady, OLAP 1 4. Datový management: sklady, přístup a vizualizace Principy MSS Nové koncepce Objektové databáze Inteligentní databáze Datové sklady On-line analytické
VíceInfor APS (Scheduling) Tomáš Hanáček
Infor APS (Scheduling) Tomáš Hanáček Klasické plánovací metody a jejich omezení MRP, MRPII, CRP Rychlost Delší plánovací cyklus Omezená reakce na změny Omezené možnosti simulace Funkčnost Nedokonalé zohlednění
Více4EK311 Operační výzkum. 1. Úvod do operačního výzkumu
4EK311 Operační výzkum 1. Úvod do operačního výzkumu Mgr. Jana SEKNIČKOVÁ, Ph.D. Nová budova, místnost 433 Konzultační hodiny InSIS E-mail: jana.seknickova@vse.cz Web: jana.seknicka.eu/vyuka Garant kurzu:
VíceManagement. Ing. Jan Pivoňka
Management Ing. Jan Pivoňka Stanovení osobní vize V souladu s kotvou Konkrétní představa Citový náboj Stimul pro aktivní jednání Krátkodobější cíle motivace Výjimky Jasná vize Pohodoví lidé Úspěch bez
VíceInovační vouchery s Univerzitou Hradec Králové. doc. Ing. Mgr. Petra Marešová, Ph.D. Ing. Richard Cimler
Inovační vouchery s Univerzitou Hradec Králové doc. Ing. Mgr. Petra Marešová, Ph.D. Ing. Richard Cimler Úvod Hlavní směry výzkumu: = Informační technologie = Bioinformatika = Ekonomika a management = Vzdělávání
VíceManažerská ekonomika KM IT
KVANTITATIVNÍ METODY INFORMAČNÍ TECHNOLOGIE (zkouška č. 3) Cíl předmětu Získat základní znalosti v oblasti práce s ekonomickými ukazateli a daty, osvojit si znalosti finanční a pojistné matematiky, zvládnout
VíceÚVOD DO ROZHODOVÁNÍ PŘEDNÁŠKA. OPTIMALIZACE A ROZHODOVÁNÍ V DOPRAVĚ Přednáška 1. Zuzana Bělinová
PŘEDNÁŠKA 1 ÚVOD DO ROZHODOVÁNÍ Organizační Vyučující Ing., Ph.D. email: belinova@k620.fd.cvut.cz Doporučená literatura Dudorkin J. Operační výzkum. Požadavky zápočtu docházka zápočtový test (21.5.2015)
VíceOkruhy ke státním závěrečným zkouškám Platnost: od leden 2017
Okruh I: Řízení podniku a projektů: strategický management, inovační management a manažerské rozhodování 1. Základní struktura strategického managementu a popis jednotlivých fází, zhodnocení výstupů a
VíceBig data ukážou mapu, TOVEK řekne kudy jít
Řešení pro Competitive Intelligence Big data ukážou mapu, TOVEK řekne kudy jít Tomáš Vejlupek President Tovek 6.11.2015, VŠE Praha TOVEK, spol. s r.o. Výsledek zpracování BIG DATA Jaké cesty k cíli mohu
VíceÚvodní přednáška. Význam a historie PIS
Úvodní přednáška Význam a historie PIS Systémy na podporu rozhodování Manažerský informační systém Manažerské rozhodování Srovnávání, vyhodnocování, kontrola INFORMACE ROZHODOVÁNÍ organizace Rozhodovacích
VíceStatistika. Klíčové kompetence V rámci výuky statistiky jsou naplňovány tyto klíčové kompetence: řešení problémů, komunikativní,
Dodatek č. 5. Školního vzdělávacího programu Obchodní akademie Lysá nad Labem, obor 63-41-M/02 Obchodní akademie, platného od 1. 9. 2012 - platnost od 1. 9. 2015 Statistika je povinný předmět pro 2. ročník,
VícePOČÍTAČOVÁ SIMULACE PODNIKOVÝCH PROCESŮ. Ing. V. Glombíková, PhD.
POČÍTAČOVÁ SIMULACE PODNIKOVÝCH PROCESŮ Ing. V. Glombíková, PhD. SIMULACE nástroj pro studium chování objektů reálného světa SYSTÉM určitým způsobem uspořádána množina komponent a relací mezi nimi. zjednodušený,
VíceDATABÁZOVÉ SYSTÉMY. Metodický list č. 1
Metodický list č. 1 Cíl: Cílem předmětu je získat přehled o možnostech a principech databázového zpracování, získat v tomto směru znalosti potřebné pro informačního manažera. Databázové systémy, databázové
Víceč. Název Cíl Osnova Vedoucí práce Student 1. Aplikace metod síťové analýzy na proces pravidelné prohlídky typu C Check velkého dopravního letadla
Seznam vypsaných témat Technologie údržby letecké techniky č. Název Cíl Osnova Vedoucí práce Student 1. Aplikace metod síťové analýzy na proces pravidelné prohlídky typu C Check velkého dopravního letadla
Více01 Teoretické disciplíny systémové vědy
01 Teoretické disciplíny systémové vědy (systémový přístup, obecná teorie systému, systémová statika a dynamika, úlohy na statických a dynamických systémech, kybernetika) Systémová věda je vědní disciplínou
VíceMetody a nástroje modelování Generation Adequacy. David Hrycej, CIIRC ČVUT
Metody a nástroje modelování Generation Adequacy David Hrycej, CIIRC ČVUT david.hrycej@cvut.cz Modelování panevropské sítě? Změny energetiky s vlivem na řízení soustavy: nárůst OZE, decentralizace, Demand
Více1. Znalostní systémy a znalostní inženýrství - úvod. Znalostní systémy. úvodní úvahy a předpoklady. 26. září 2017
Znalostní systémy úvodní úvahy a předpoklady 26. září 2017 1-1 Znalostní systém Definice ZS (Feigenbaum): Znalostní (původně expertní) systémy jsou počítačové programy simulující rozhodovací činnost experta
Více10. Předpovídání - aplikace regresní úlohy
10. Předpovídání - aplikace regresní úlohy Regresní úloha (analýza) je označení pro statistickou metodu, pomocí nichž odhadujeme hodnotu náhodné veličiny (tzv. závislé proměnné, cílové proměnné, regresandu
VíceAlgoritmizace diskrétních. Ing. Michal Dorda, Ph.D.
Algoritmizace diskrétních simulačních modelů Ing. Michal Dorda, Ph.D. 1 Úvodní poznámky Při programování simulačních modelů lze hlavní dílčí problémy shrnout do následujících bodů: 1) Zachycení statických
VíceMANAŽERSKÉ ROZHODOVÁNÍ. Zpracoval Ing. Jan Weiser
MANAŽERSKÉ ROZHODOVÁNÍ Zpracoval Ing. Jan Weiser Obsah výkladu Rozhodovací procesy a problémy Dvě stránky rozhodování Klasifikace rozhodovacích procesů Modely rozhodování Nástroje pro podporu rozhodování
VíceDatová věda (Data Science) akademický navazující magisterský program
Datová věda () akademický navazující magisterský program Reaguje na potřebu, kterou vyvolala rychle rostoucí produkce komplexních, obvykle rozsáhlých dat ve vědě, v průmyslu a obecně v hospodářských činnostech.
VíceOPTIMALIZACE A MULTIKRITERIÁLNÍ HODNOCENÍ FUNKČNÍ ZPŮSOBILOSTI POZEMNÍCH STAVEB D24FZS
OPTIMALIZACE A MULTIKRITERIÁLNÍ HODNOCENÍ FUNKČNÍ ZPŮSOBILOSTI POZEMNÍCH STAVEB Optimalizace a multikriteriální hodnocení funkční způsobilosti pozemních staveb Anotace: Optimalizace objektů pozemních staveb
VíceO autorech Úvodní slovo recenzenta Předmluva Redakční poznámka... 18
SMEJKAL Vladimír RAIS Karel ŘÍZENÍ RIZIK Obsah O autorech... 9 Úvodní slovo recenzenta... 13 Předmluva... 15 Redakční poznámka... 18 1. Zobrazení života podniku... 19 1.1 Jaké jsou příčiny neúspěchu v
VícePodnikem se rozumí: soubor hmotných, jakož i osobních a nehmotných složek podnikání. K podniku náleží věci, práva a jiné majetkové hodnoty, které
Oceňování podniku Podnikem se rozumí: soubor hmotných, jakož i osobních a nehmotných složek podnikání. K podniku náleží věci, práva a jiné majetkové hodnoty, které patří podnikateli a slouží k provozování
Více5.15 INFORMATIKA A VÝPOČETNÍ TECHNIKA
5.15 INFORMATIKA A VÝPOČETNÍ TECHNIKA 5. 15. 1 Charakteristika předmětu A. Obsahové vymezení: IVT se na naší škole vyučuje od tercie, kdy je cílem zvládnutí základů hardwaru, softwaru a operačního systému,
VíceObsah. Zpracoval:
Zpracoval: houzvjir@fel.cvut.cz 03. Modelem řízený vývoj. Doménový (business), konceptuální (analytický) a logický (návrhový) model. Vize projektu. (A7B36SIN) Obsah Modelem řízený vývoj... 2 Cíl MDD, proč
VíceProgramování LEGO MINDSTORMS s použitím nástroje MATLAB a Simulink
26.1.2018 Praha Programování LEGO MINDSTORMS s použitím nástroje MATLAB a Simulink Jaroslav Jirkovský jirkovsky@humusoft.cz www.humusoft.cz info@humusoft.cz www.mathworks.com Co je MATLAB a Simulink 2
VíceLineární programování
24.9.205 Lineární programování Radim Farana Podklady pro výuku pro akademický rok 203/204 Obsah Úloha lineárního programování. Formulace úlohy lineárního programování. Typické úlohy lineárního programování.
VícePodnik jako předmět ocenění
Oceňování podniku Podnik jako předmět ocenění Podnikem se rozumí: soubor hmotných, jakož i osobních a nehmotných složek podnikání. K podniku náleží věci, práva a jiné majetkové hodnoty, které patří podnikateli
Více3. Cíle a základní metodické nástroje finanční analýzy
3. Cíle a základní metodické nástroje finanční analýzy 3.1 Úloha a cíle FA Obecný cíl FA = posouzení finančního zdraví podniku = identifikace silných a slabých stránek podniku. Finanční zdraví = rentabilita
VíceCPM/BI a jeho návaznost na podnikové informační systémy. Martin Závodný
CPM/BI a jeho návaznost na podnikové informační systémy Martin Závodný Agenda Význam CPM/BI Aplikace CPM/BI Projekty CPM/BI Kritické body CPM/BI projektů Trendy v oblasti CPM/BI Diskuse Manažerské rozhodování
VíceVZOROVÝ STIPENDIJNÍ TEST Z EKONOMIE
VZOROVÝ STIPENDIJNÍ TEST Z EKONOMIE 1. Povinná míra rezerv je: a) procento z depozit, které komerční banka musí držet u centrální banky b) rezerva, kterou si komerční banka nechává pro případ okamžitých
VíceProfilová část maturitní zkoušky 2017/2018
Střední průmyslová škola, Přerov, Havlíčkova 2 751 52 Přerov Profilová část maturitní zkoušky 2017/2018 TEMATICKÉ OKRUHY A HODNOTÍCÍ KRITÉRIA Studijní obor: 78-42-M/01 Technické lyceum Předmět: TECHNIKA
VíceManagement. Rozhodování. Ing. Vlastimil Vala, CSc. Ústav lesnické a dřevařské ekonomiky a politiky
Management Rozhodování Ing. Vlastimil Vala, CSc. Ústav lesnické a dřevařské ekonomiky a politiky Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU
VíceAlgoritmy a struktury neuropočítačů ASN - P10. Aplikace UNS v biomedicíně
Aplikace UNS v biomedicíně aplikace v medicíně postup při zpracování úloh Aplikace UNS v medicíně Důvod: nalezení exaktnějších, levnějších a snadnějších metod určování diagnóz pro lékaře nalezení šetrnějších
VíceARCHITEKTURA INFORMAČNÍCH SYSTÉMŮ PODLE ÚROVNĚ ŘÍZENÍ
ARCHITEKTURA INFORMAČNÍCH SYSTÉMŮ PODLE ÚROVNĚ ŘÍZENÍ Podle toho, zda informační systém funguje na operativní, taktické nebo strategické řídicí úrovni, můžeme systémy rozdělit do skupin. Tuto pyramidu
VíceRozhodovací procesy 8
Rozhodovací procesy 8 Rozhodování za jistoty Příprava předmětu byla podpořena projektem OPPA č. CZ.2.17/3.1.00/33253 VIII rozhodování 1 Rozhodování za jistoty Cíl přednášky 8: Rozhodovací analýza Stanovení
VíceNÁSTROJE A TECHNIKY PROJEKTOVÉHO MANAGEMENTU. Projektová dekompozice
NÁSTROJE A TECHNIKY PROJEKTOVÉHO MANAGEMENTU Projektová dekompozice Úvod do vybraných nástrojů projektového managementu METODY A TECHNIKY PROJEKTOVÉHO MANAGEMENTU Tvoří jádro projektového managementu.
Více28.z-8.pc ZS 2015/2016
Ústav technologie, mechanizace a řízení staveb Teorie měření a regulace počítačové řízení 5 28.z-8.pc ZS 2015/2016 2015 - Ing. Václav Rada, CSc. Další hlavní téma předmětu se dotýká obsáhlé oblasti logického
VíceOBLASTI VEDENÍ ZÁVĚREČNÝCH PRACÍ PEDAGOGŮ INSTITUTU 545
OBLASTI VEDENÍ ZÁVĚREČNÝCH PRACÍ PEDAGOGŮ INSTITUTU 545 Oddělení ekonomiky Ing. Igor Černý, Ph.D. 1. Strukturální pomoc EU ve vybraných oblastech a společnostech 2. Modelování vlivu vybraných faktorů na
VíceManagement projektu III. Fakulta sportovních studií přednáška do předmětu Projektový management ve sportu
Management projektu III. Fakulta sportovních studií 2016 5. přednáška do předmětu Projektový management ve sportu doc. Ing. Petr Pirožek,Ph.D. Ekonomicko-správní fakulta Lipova 41a 602 00 Brno Email: pirozek@econ.muni.cz
VíceTeorie síťových modelů a síťové plánování
KSI PEF ČZU Teorie síťových modelů a síťové plánování Část přednášky doc. Jaroslava Švasty z předmětu systémové analýzy a modelování. Zápis obsahuje základní vymezení projektu, časového plánování a popis
Vícexrays optimalizační nástroj
xrays optimalizační nástroj Optimalizační nástroj xoptimizer je součástí webového spedičního systému a využívá mnoho z jeho stavebních bloků. xoptimizer lze nicméně provozovat i samostatně. Cílem tohoto
VíceUsuzování za neurčitosti
Usuzování za neurčitosti 25.11.2014 8-1 Usuzování za neurčitosti Hypotetické usuzování a zpětná indukce Míry postačitelnosti a nezbytnosti Kombinace důkazů Šíření pravděpodobnosti v inferenčních sítích
VíceÚvod... 1 Otázky k zamyšlení... 4
Obsah Předmluva.................................................... XIII Seznam obrázků.............................................. XXIII Seznam tabulek................................................
VíceKVALITA DAT POUŽITÁ APLIKACE. Správnost výsledku použití GIS ovlivňuje:
KVALITA DAT Správnost výsledku použití GIS ovlivňuje: POUŽITÁ APLIKACE Kvalita dat v databázi Kvalita modelu, tj. teoretického popisu krajinných objektů a jevů Způsob použití funkcí GIS při přepisu modelu
VíceInformační a znalostní systémy jako podpora rozhodování
Informační systémy a technologie Informační a znalostní systémy jako podpora rozhodování Petr Moos - ČVUT VŠL Přerov listopad 2015 Analýza a syntéza systému Definici systému můžeme zapsat ve tvaru: S =
VíceMANŽERSKÁ EKONOMIKA. O autorech Úvod... 13
SYNEK Miloslav a kolektiv MANŽERSKÁ EKONOMIKA Obsah O autorech... 11 Úvod... 13 1. Založení podniku... 19 1.1 Úvod... 20 1.2 Činnosti související se založením podniku... 22 1.3 Volba právní formy podniku...
VícePříklady ke cvičením. Modelování produkčních a logistických systémů
Modelování produkčních a logistických systémů Katedra logistiky, kvality a automobilové techniky Garant, přednášející, cvičící: Jan Fábry 10.12.2018 Příklady ke cvičením Opakování lineárního programování
Více1. Integrační koncept
Příloha č. 2: Technický popis integrace 1. Integrační koncept Z hlediska koncepčního budování Smart Administration na Magistrátu města Mostu je možno hovořit o potřebě integrace tří úrovní systémové architektury
VíceSurfujte v business analýze jako profík. Naučíme Vás podpořit klíčová rozhodnutí firmy.
Surfujte v business analýze jako profík Naučíme Vás podpořit klíčová rozhodnutí firmy. Intuice nestačí S čím Vám pomůžeme? Firmy čelí narůstající záplavě dat, posilují své analytické schopnosti a hledají
VíceObecné schéma řízení rizik, stanovení rozsahu a cíle analýzy rizik, metody sběru a interpretace vstupních dat
Obecné schéma řízení rizik, stanovení rozsahu a cíle analýzy rizik, metody sběru a interpretace vstupních dat doc. Ing. Alena Oulehlová, Ph.D. Univerzita obrany Fakulta vojenského leadershipu Katedra krizového
VícePraktické aspekty ABC
Praktické aspekty ABC Metoda maticového propočtu 1. Zjednodušený procesní model 2. Produktový přístup k nákladům 3. Analýza vnitřních produktů 4. Sestavení ABC rozpočtů 5. Maticový propočet Tomáš Nekvapil
VíceIng. Jiří Fejfar, Ph.D. Geo-informační systémy
Ing. Jiří Fejfar, Ph.D. Geo-informační systémy Definice, budování a život GIS Kapitola 1: Vztahy strana 2 Data, informace, IS, GIS Kapitola 1: Vztahy strana 3 Rozhodnutí Znalosti Znalostní systémy. Informace
VíceProfilová část maturitní zkoušky 2013/2014
Střední průmyslová škola, Přerov, Havlíčkova 2 751 52 Přerov Profilová část maturitní zkoušky 2013/2014 TEMATICKÉ OKRUHY A HODNOTÍCÍ KRITÉRIA Studijní obor: 78-42-M/01 Technické lyceum Předmět: TECHNIKA
VíceKvalita SW produktů. Jiří Sochor, Jaroslav Ráček 1
Kvalita SW produktů Jiří Sochor, Jaroslav Ráček 1 Klasický pohled na kvalitu SW Každý program dělá něco správně; nemusí však dělat to, co chceme, aby dělal. Kvalita: Dodržení explicitně stanovených funkčních
VíceSOFTWAROVÉ INŽENÝRSTVÍ
SOFTWAROVÉ INŽENÝRSTVÍ Plán a odhady projeku Ing. Ondřej Macek 2013/14 ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Příprava plánu projektu 3 Motivace k plánování Průběh projektu Bolest Dobré plánování Špatné
VíceProjekt SEPIe - Datový sklad a analytická nadstavba MIS - manažerský informační systém pro vedoucí zaměstnance resortu MV (konference)
Projekt SEPIe - Datový sklad a analytická nadstavba MIS - manažerský informační systém pro vedoucí zaměstnance resortu MV (konference) Ing. Petr Pechar (vedoucí řešitelského týmu), Praha, 27.11.2013 Úvod
Vícekapitola 2 předprojektová fáze 31
OBSAH 6 projektové řízení Předmluva 3 Kapitola 1 Základní pojmy a východiska 13 1.1 Úvod do řízení projektů 14 1.1.1 Co je to projektové řízení 14 1.2 Základní pojmy projektového řízení 17 1.2.1 Projekt
VíceRFID laboratoř Ing. Jan Gottfried, Ph.D.
RFID laboratoř Ing. Jan Gottfried, Ph.D. VIZE Být špičkovým pracovištěm s odbornými kompetencemi a znalostmi v oblasti technologií automatické identifikace RFID, standardů GS1 EPCglobal a Internetu věcí.
VíceModelování a optimalizace vozidel, linek a dopravní infrastruktury města. Zdeněk Peroutka, Jan Přikryl, Radim Dudek, Pavel Drábek
Modelování a optimalizace vozidel, linek a dopravní infrastruktury města Zdeněk Peroutka, Jan Přikryl, Radim Dudek, Pavel Drábek Co a proč řešíme? Motivace a cíle Plná elektrifikace MHD optimální skladba
VíceCharakteristika rizika
Charakteristika rizika Riziko je možnost, že se dosažené výsledky podnikání budou příznivě či nepříznivě odchylovat od předpokládaných výsledků. Odchylky od předpokladu jsou: a) příznivé b) nepříznivé
VíceMANAŽERSKÉ ROZHODOVÁNÍ
MANAŽERSKÉ ROZHODOVÁNÍ Téma 21 - PRAVIDLA ROZHODOVÁNÍ ZA RIZIKA A NEJISTOTY doc. Ing. Monika MOTYČKOVÁ (Grasseová), Ph.D. Univerzita obrany Fakulta ekonomika a managementu Katedra vojenského managementu
Více14 Úvod do plánování projektu Řízení projektu
14 Úvod do plánování projektu Řízení projektu Plánování projektu Vývoj - rozbor zadání odhad pracnosti, doby řešení, nákladů,... analýza rizik strategie řešení organizace týmu PLÁN PROJEKTU 14.1 Softwarové
VíceKatedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group
Vytěžování dat Miroslav Čepek, Filip Železný Katedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group Evropský sociální fond Praha & EU: Investujeme
VíceIng. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence
APLIKACE UMĚLÉ INTELIGENCE Ing. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence Aplikace umělé inteligence - seminář ING. PETR HÁJEK, PH.D. ÚSTAV SYSTÉMOVÉHO INŽENÝRSTVÍ A INFORMATIKY
VíceVývojové diagramy 1/7
Vývojové diagramy 1/7 2 Vývojové diagramy Vývojový diagram je symbolický algoritmický jazyk, který se používá pro názorné zobrazení algoritmu zpracování informací a případnou stručnou publikaci programů.
VíceSTATISTICKÉ PROGRAMY
Slezská univerzita v Opavě Obchodně podnikatelská fakulta v Karviné STATISTICKÉ PROGRAMY VYUŽITÍ EXCELU A SPSS PRO VĚDECKO-VÝZKUMNOU ČINNOST Elena Mielcová, Radmila Stoklasová a Jaroslav Ramík Karviná
VícePOČÍTAČE A PROGRAMOVÁNÍ
POČÍTAČE A PROGRAMOVÁNÍ Moderní metody vývoje softwaru, Demontrační příklad piškvorky Miroslav Vavroušek PPI 09 V1.0 Opakovaní z minulé přednášky Vícerozměrná statická a dynamická pole Pole polí Datový
VíceNÁSTROJE A TECHNIKY PROJEKTOVÉHO MANAGEMENTU
NÁSTROJE A TECHNIKY PROJEKTOVÉHO MANAGEMENTU Projektová dekompozice Přednáška Teorie PM č. 2 Úvod do vybraných nástrojů projektového managementu Úvodní etapa projektu je nejdůležitější fáze projektu. Pokud
VíceIng. Petr Kalčev, Ph.D.
Ing. Petr Kalčev, Ph.D. 17.10.2017 24.10.2017 31.10.2017 7.11.2017 14.11.2017 21.11.2017 28.11.2017 5.12.2017 12.12.2017 19.12.2017 Úvod do manažerský informačních systémů Typy informačních systémů Příklady
Více8. Rozhodovací procesy
8. Rozhodovací procesy 8.1 Podstata rozhodování Rozhodovací procesy znamenají jednu z nejdůležitějších činností manažerů. Každé postupné (sekvenční) manažerské funkci je společné, že jí prostupují tři
VíceSpecializace Kognitivní informatika
Specializace Kognitivní informatika Otevřené dveře specializace Kognitivní informatika, 10.5.2007 V rámci projektu, financovaného Evropským sociálním fondem pod č. 3206 Multi- a transdisciplinární obor
Více5.3. Investiční činnost, druhy investic
Projekt: Inovace oboru Mechatronik pro Zlínský kraj Registrační číslo: CZ.1.07/1.1.08/03.0009 5.3. Investiční činnost, druhy investic Podnik je uspořádaným útvarem lidí a hospodářských prostředků spojených
VíceModelování a optimalizace diagnostických procesů
Modelování a optimalizace diagnostických procesů Ing. Jiří Tupa, Ing. František Steiner, Ph.D., Doc. Ing. Vlastimil Skočil, CSc. Oddělení řízení průmyslových procesů, Katedra technologií a měření, Fakulta
VíceKapitola 1 INTERNÍ AUDIT A JEHO POSTUPY 5. Kapitola 2 LOGIKA V INTERNÍM AUDITU 11
OBSAH ÚVOD 1 ODDÍL A INTERNÍ AUDIT A JEHO POSTUPY 3 Kapitola 1 INTERNÍ AUDIT A JEHO POSTUPY 5 Kapitola 2 LOGIKA V INTERNÍM AUDITU 11 2.1 Základní pojmy z logiky vztažené k internímu auditu 12 2.2 Postup
VíceO autorech Úvod Založení podniku... 19
SYNEK Miloslav MANAŽERSKÁ EKONOMIKA Obsah O autorech... 11 Úvod... 13 1. Založení podniku... 19 1.1 Úvod... 19 1.2 Činnosti související se založením podniku... 22 1.3 Volba právní formy podniku.....24
VíceInteligentní systémy. Informace o bakalářském oboru. Jiří Lažanský. Zdeněk Hanzálek (katedra řídicí techniky) Michal Pěchouček (katedra kybernetiky)
Informace o bakalářském oboru Inteligentní systémy studijního programu Softwarové technologie a management Jiří Lažanský (katedra kybernetiky) Zdeněk Hanzálek (katedra řídicí techniky) Michal Pěchouček
VíceMETODICKÝ APARÁT LOGISTIKY
METODICKÝ APARÁT LOGISTIKY Metodický aparát logistiky jedná se o metody sloužící k rozhodování při logistických problémech Metodu = použijeme, v případě vzniku problému. Problém = vzniká v okamžiku, když
VíceInformační systémy 2008/2009. Radim Farana. Obsah. UML - charakteristika
2 Vysoká škola báňská Technická univerzita Ostrava Fakulta strojní, Katedra automatizační techniky a řízení 2008/2009 Radim Farana 1 Obsah Jazyk UML, základní modely, diagramy aktivit, diagramy entit.
VíceNeuronové časové řady (ANN-TS)
Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci
VíceArchitektury Informačních systémů. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/
Architektury Informačních systémů Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Nutné pojmy Co je to informační systém? Jaké oblasti zahrnuje? Jaká je vazba IS na podnikovou strategii?
VíceVZOROVÝ STIPENDIJNÍ TEST Z EKONOMIE
VZOROVÝ STIPENDIJNÍ TEST Z EKONOMIE Jméno a příjmení: Datum narození: Datum testu: 1. Akcie jsou ve své podstatě: a) cenné papíry nesoucí fixní výnos b) cenné papíry jejichž hodnota v čase vždy roste c)
Více