Uitgebreide samenvatting informatica voor bedrijfsbeleid professor Sam Verboven VUB inclusief WPO's
87 keer bekeken 3 keer verkocht
Vak
Informatica Voor Bedrijfsbeleid
Instelling
Vrije Universiteit Brussel (VUB)
Samenvatting vak informatica voor bedrijfsbeleid, gedoceerd door professor Sam Verboven. Opgelet: inhoud verschilt met vorige jaren! Uitgebreide samenvatting van alle hoorcolleges (zie inhoudstafel).
H4: Functionalities .............................................................................................................................................. 23
Model................................................................................................................................................................ 23
Waarom bouwen we modellen? ................................................................................................................... 23
BPMN: Business Process Model and Notation ................................................................................................ 24
Elementen .................................................................................................................................................... 25
Herhaling WPO ................................................................................................................................................ 35
REST VD OEFENINGEN ZIE WPO 2 ............................................................................................................. 39
Recap vorige week ............................................................................................................................................ 39
Deel 2 proces modeling: Wat is een proces? ............................................................................................... 40
Procesperspectief in management ............................................................................................................... 40
Process modeling......................................................................................................................................... 40
Process mining ............................................................................................................................................ 41
H6: Database ....................................................................................................................................................... 43
Deel 1 – Klassen ............................................................................................................................................... 43
, Data modeling ............................................................................................................................................. 43
Klassendiagram ........................................................................................................................................... 43
Object .......................................................................................................................................................... 43
Associatie..................................................................................................................................................... 43
Multipliciteit ................................................................................................................................................ 44
Attributen ..................................................................................................................................................... 45
Associatieklasse ........................................................................................................................................... 46
Meervoudige associaties.............................................................................................................................. 47
Deel 2 – Databases .......................................................................................................................................... 49
Van deel 1 naar deel 2 ................................................................................................................................. 49
Van klasse naar tabel .................................................................................................................................. 49
First Normal Form (1NF)............................................................................................................................ 49
Oplossing: ........................................................................................................................................................... 53
Associaties mappen met multidicipliteit 1 ....................................................................................................... 54
SAMENGEVAT: CLASSES AND DATABASES ........................................................................................ 59
H7: Monte Carlo simulation .............................................................................................................................. 61
Geschiedenis van Monte Carlo ........................................................................................................................ 61
Intuitief voorbeeld ............................................................................................................................................ 61
Model: investment case – building project ....................................................................................................... 62
Monte carlo simpulatie..................................................................................................................................... 63
Stappenplan gebruik MC ............................................................................................................................. 63
MCS assumpties........................................................................................................................................... 65
Pre-requisitie: RNG ......................................................................................................................................... 66
Verdelingen: op intuitief niveau ....................................................................................................................... 66
Sampling op basis van RNG en de CDF ...................................................................................................... 66
Verdelingen: uniform................................................................................................................................... 68
Tussen A en b willen we een constante kans hebben. ................................................................................. 68
Verdelingen: driehoeks ................................................................................................................................ 68
Verdelingen: normale .................................................................................................................................. 69
Verdeling kiezen .......................................................................................................................................... 69
Steekproefgrootte kiezen................................................................................................................................... 70
Meer verdelingen (uitleg in extra document op canvas!!)................................................................................ 70
WPO 4: Monte Carlo Simulatie ....................................................................................................................... 71
H8: Informatica in een business context ........................................................................................................... 95
Elk management-niveau heft zijn eigen gespecialiseerd informatiesysteem .................................................... 95
1ste system: Transition processing sytems (TPS) ............................................................................................. 95
Data model voor een generisch transitie ..................................................................................................... 96
Voorbeeld: aankoop ruwe materialen ......................................................................................................... 96
2de system: Systems for business intelligence (BI)........................................................................................... 97
, Hoe deze systemen laten samenwerken? .......................................................................................................... 99
Recap: Wat is een proces? ............................................................................................................................... 99
Voorbeelden: bedrijfsprocessen per functioneel gebied .............................................................................. 99
Voorbeeld: onder funfillment process ....................................................................................................... 100
Hoe informatietechnologie bedrijfsprocessen ondersteunt ............................................................................ 100
Entreprise applications .................................................................................................................................. 100
Entreprise application architecture ........................................................................................................... 101
........................................................................................................................................................................ 101
Enterprise resource planning systems ............................................................................................................ 101
Supply chain management systems ................................................................................................................. 102
Internet-drive supply chain gebaseerd op netewerken ................................................................................... 103
Customer relationship management systems .................................................................................................. 103
Uitdagingen rond entreprise applications...................................................................................................... 103
H9: Data Science ............................................................................................................................................... 104
Fundamentele concepten .................................................................................................................................. 104
Terminologie .................................................................................................................................................. 104
AI/ML/DL ....................................................................................................................................................... 105
Data ................................................................................................................................................................ 106
Data als strategisch goed ............................................................................................................................... 106
Welke type beslissingen kunnen we ondersteunen met data science? ............................................................ 107
Herinner u! ................................................................................................................................................ 107
Een model? ................................................................................................................................................ 107
Een model ....................................................................................................................................................... 107
Een model leren.............................................................................................................................................. 108
Trainen: gewichten vinden op basis van training data .................................................................................. 108
Complexe functies approximeren met neurale netwerken .............................................................................. 109
Sommige geleerde functies kunnen zeer complex zijn. ................................................................................... 110
Sommige decision support systemen behelzen meerdere complexe modellen ................................................ 111
Learning (bestuderen) .................................................................................................................................... 111
Taken, methodes, en toepassingen ................................................................................................................... 113
Data science: taken, methodes en toepassingen ............................................................................................. 113
Variabelen ...................................................................................................................................................... 116
Survised learning............................................................................................................................................ 116
Regression (loon, lengte)................................................................................................................................ 117
Classification .................................................................................................................................................. 117
Test: regressive of classificatie ...................................................................................................................... 118
Recap .............................................................................................................................................................. 118
Methodes ........................................................................................................................................................ 119
Wat is een goed model? .................................................................................................................................. 119
Training vs Deployment ................................................................................................................................. 121
Voorbeelden DS.............................................................................................................................................. 122
, Van theorie naar praktijk met CRISP-DM ..................................................................................................... 122
........................................................................................................................................................................ 123
Churn prediction (1)....................................................................................................................................... 123
Business understanding (2) ....................................................................................................................... 124
Data understanding ................................................................................................................................... 124
Churn prediction ............................................................................................................................................ 126
Belangrijke keuzes: een nieuwe kijk ............................................................................................................... 128
Case study.................................................................................................................................................. 129
Enkele illustratieve gevallen ...................................................................................................................... 129
Is data science altijd nuttig? .......................................................................................................................... 131
De meeste DS projecten falen......................................................................................................................... 131
Redenen voor het falen van DS projecten ...................................................................................................... 131
Extra: a nota on deep learning ......................................................................................................................... 132
The flexibility of neural networks ................................................................................................................... 132
State of the art DL applications...................................................................................................................... 132
Sota DL........................................................................................................................................................... 133
Vision ......................................................................................................................................................... 133
Computers leren op basis van foto’s, maar hoe kan een computer zien? .................................................. 133
Pixels omzetten naar een kwantitatieve vorm. We kunnen pixels waarde geven aan de hand van een kleur.
Deze pixels in de computer steken RGB kleuren ................................................................................. 133
Mapping leren van X naar Y image herkenningssysteem..................................................................... 133
X = inputs, pixels, dingen die we observeren ............................................................................................ 133
Y = 1 .......................................................................................................................................................... 133
CNNs vision .......................................................................................................................................... 134
Learning features in vision vision ......................................................................................................... 134
Natural language processing NLP ....................................................................................................... 134
Using language as input NLP ............................................................................................................... 135
Learning long term dependencies NLP................................................................................................. 135
Generative modeling.................................................................................................................................. 136
SOTA DL generative modeling ............................................................................................................. 136
Conclusie ................................................................................................................................................... 136
,Informatica voor bedrijfsbeleid
H1: Inleiding
Doel van de cursus?
– een aantal belangrijke begrippen van de bedrijfsinformatica meegeven voor o.a. een
goede communicatie tussen bedrijfsleiding en informatici
– competenties:
o wat is een informatiesysteem in de context van een organisatie?
o wat zijn sterktes, zwaktes, opportuniteiten en risico’s van
informatiesystemen?
o wat zijn functionele basisvereisten van een informatiesysteem en deze
valideren
o wat is de impact van IT op nieuwe en bestaande businessmodellen?
o hoe beheer je business projects met IT?
o wat zijn gepaste IT-technieken om informatie te creëren?
o hoe stem je IT en business strategieën op elkaar af? => waar het meeste zal
mislopen in de bedrijven
Belang IT
“Information technology and business are becoming inextricably interwoven. I don’t think
anybody can talk meaningfully about the one without talking about the other.”
Opportuniteiten
Nieuwe businessmodellen, innovaties, verhoogde efficiëntie, communicatie, automatisatie
Bv. Google, Apple, Facebook etc.
Zonder informatiesystemen heeft data geen nut. Dit is waarom data geld waard is. Fomo
Bedrijven willen niet achter zijn op de concurrentie
Risico’s?
– Duur en meerderheid mislukt (80 à 90%)
– Afhankelijkheid – wat als IS niet functioneren?
– Bv. Tesla en Amazon: Vanaf wanneer je online een pakje besteld tot wanneer het aan
jouw deur ligt zijn er tal van informatiesystemen aan verbonden.
80 a 90 procent van de gemaakte systemen zien nooit het licht en mislukken (kosten en
oplevertermijn). Facebook voorloper qua data en informatica (smijten veel geld in dit
departement). Tesla: data in auto’s – algoritme verbeteren bijv: waarom ruitenwisser uit als
auto deze aan zet
Enkele feiten
– 52% van de investeringen hebben betrekking tot IT
– Return on IT vs IT investment paradox: hoge investeringen in IT =/= altijd hogere
productiviteit
,Business/IT alignment
business: cost, benefits, timing, strategy, functional requirements…
IT: technology, programming, technical constraints…
Er zijn veel verschillende stappen waar communicatie key is
Het scharnierpunt in het proces = volgende slides
• zwakte / risico van IT: vlot verloop van een organisatie is afhankelijk van goede werking IT
vb: Amazon, vliegtuigmaatschappij, tax-on-web (problemen met webshop,
beheer orders, betalingen,klantenservice... als IT down is)
Important concept in development of IS:
– Een visie staat niet persé gelijk met implementatie
Je kan een goede visie hebben maar als je deze niet kan uitvoeren of laten zien..
Management kan nood en probleem highlighten: ‘traag vervoer’, vereist basiskennis
IT Precieze implementatie, aanwending technologie ‘auto’ -> IT experts
Most important IT management issue and concern = alignment of IT and business
Manager kan nood en probleem aangeven (dat past binnen de businesstrategie) bijv:
vervoer
,H2: Basisbegrippen
Informatiesystemen
Leerdoelen:
• De kernconcepten achter informatiesystemen kunnen onderscheiden
• De kernconcepten achter informatica kunnen definiëren
• De stappen van programmeren kunnen geven en uitleggen
- Hardware = apparatuur of machines die programma’s kunnen
uitvoeren. Alles wat je kan vastnemen (steeds meer aanwezig in
onze maatschappij, je kan het kapotkloppen met een hamer)
NOTE: wi-fi is hardware, want het wordt via apparatuur gestuurd!
Er is een schaarste van CPU’s.
Moderne informatiesystemen vereisen soms grote hardware- investeringen
Datacenter: 5de van google in België. Kosten miljoenen, clusters die continu draaien
(iedereen kan tegelijk google gebruiken). Service vereist serieuze investeringen
Foto is GPU = grafische kaart => Is duur en beter voor processen te parallelliseren
- Software
= programma’s en de algoritmes die ze voorstellen (een programma hoeft geen
grafisch scherm te hebben, vb het programma dat je computer opstart of een virus)
o Ook data
o Omzetting in machinetaal
- Databases
= collectie data in een computer systeem georganiseerd voor makkelijke opslag,
toegang, and beheer
bv. Relationele databank
- Communicatie
= verbinden van meerdere computers om te communiceren en data uit te wisselen
bv. Grootste netwerk: internet
- Mensen
De 5 bovenstaande SAMEN = Informatie technologie =/= geen informatie systemen
Je kan alle componenten combineren om een huis te maken
– (business) process
Opeenvolging van stappen of handeling om een product / dienst te genereren;
aanvang in jaren ’90 omdat er nood was aan werking tussen verschillende
actoren / departementen binnen een organisatie (daarvoor enkel flow chart)
– Informatiesysteem
Een set van onderling gerelateerde componenten die informatie verzamelen, verwerken,
opslaan en verspreiden om de besluitvorming in een organisatie te ondersteunen, gebruik
, makende van informatietechnologie.
informatie bestaat niet als het geen nut heeft.
Informatie = data + nut -> combinatie van IT hardware, software, processen en
personen die het gebruiken (alles samen); mensen zijn heel belangrijk omdat je ze
moet opleiden en motiveren om het informatiesysteem te gebruiken
Bv. Ze verzamelen alle tweets: verzameling is voor microsoft enkel data. Ze kunnen
deze informatiesystemen verwerken voor bv een nieuwe xbox
= data distilleren om te kunnen optimaliseren
Zie hieronder: links = lijstje van de winkel en rechts komt het eruit voor de manager
Ander voorbeeld: verzameling #xbox posts -> is nog maar rauwe data – wordt verder
verwerkt voor tevredenheid te gaan verhogen
Zijn de hersenen een informatiesysteem?
Ja! Zo ook bv. een bibliotheek
Relevantie IS
– Informatietechnologie en informatiesystemen zijn waarschijnlijk de belangrijkste
tools die ondernemingen voorhanden hebben om…
o support,
o automate,
o rationalize,
o streamline, and
o coordinate
– hun operationale and strategische decision making processen te ondersteunen…
– … en zo efficiënter and effectiever, …
– Om kosten te besparen
– Maar ook om extra inkomsten te verwerven
Voorbeelden?
– Amazonbooks
– Netflix: zijn begonnen als een mail out. Stuurden films via post. Nu kunnen we
onbeperkt films/series kijken zonder er achter te moeten vragen.
– Facebook
– Google
Vandaag is er een near zero margin (kosten)
,Relevantie: hele maatschappij
= Zowel grote multinationals, kleine tot middelgrote bedrijven gebruiken
informatiesystemen om informatie te bewaren, verwerken en rapporteren en zo processen
te ondersteunen.
– Aanwezig in hele maatschappij
– Verandering in verwachtingen van klanten. Mensen verwachten dat IT and IS
gebruikt worden door ondernemingen en overheden om betere, real-time diensten
te voorzien
Bv. Bpost, Bancontact, NMBS
Bancontact vanzelfsprekend?
Klanten accepteren het niet als ze niet kunnen plannen (BPOST)
NMBS (welke trein vertraging..)
Platenwinkel = weg – spotify
Informatica
Informatica is de wetenschap van de informatieverwerking (met computers)
– Informatics -> information, Cfr. Economics -> economy
Informatica is de wetenschap van de informatieverwerking (met computers)
Wetenschappelijk onderbouwen van zaken als:
– Het programmeren van computers en ontwerp van programmeertalen
– Opslag van informatie
– Algoritmes voor het oplossen van computationele problemen
– De complexiteit en schaalbaarheid van algoritmes zelf
Programmeren
= Het maken van een programma, het structureren van instructies zodat een machine die
kan uitvoeren – in een programmeertaal
Het schrijven van een programma
1. Probleem definiëren
2. Ontwerpen van de oplossing
Oplossing is dikwijls een algoritme (meer info: H3)
3. Programmeren
4. Testen (programma testen: veel geld en moeite)
5. Documenteren
EN Onderhouden
Moderne aanpak: iteratief, flexibel, modulair
, H3: Algoritmes
Definitie
Leerdoelen
• De principes algoritme, programma en proces kunnen onderscheiden
• Basisconcepten en nut algoritmes begrijpen
• Algoritme representaties zoals pseudocode en flowcharts kunnen interpreteren en
opstellen
Algoritme = een reeks stappen die bepaalt hoe een taak wordt uitgevoerd, hoe tot een
oplossing wordt gekomen.
Stappen = elementaire handelingen
Een algoritme heeft een bepaald doel. Hoe een taak wordt uitgevoerd = hoe een doel wordt
bereikt vanaf een beginsituatie.
Meest fundamenteel concept van de informatica!
Nieuw en abstract concept? Neen. Algoritmes komen namelijk dagelijks in het leven voor.
Bv. bereidingswijze om iets te koken
Bv. muzieknoten: instructies van links naar rechts, volgens een notatie.
Meerdere manieren om een oplossingsmethode als algoritme neer te schrijven
Wiskunde
Bepaling grootste gemene deler van 2 getallen
Bv. het Euclidisch algoritme (staartdeling)
Formele definitie: algoritme
= Een algoritme is een geordende reeks ondubbelzinnige, uitvoerbare stappen die een
eindig proces beschrijven (vertrekkend van een gegeven beginsituatie en leidend naar een
bepaald doel).
Formele definitie binnen de informatica
- Toepassingsgebied: wiskunde of computeralgoritmes
Componenten:
- Geordend
- Ondubbelzinnig
Bv. laat ‘zachtjes’ bakken -> machine kan niet interpreteren
- Uitvoerbaar
Bv. niet-uitvoerbaar: maak een lijst met alle natuurlijke getallen
Bv. Deel de getallen door 0, dit kan niet.
- Eindig
Bv. ‘Tel elke 10 seconden 1 op bij een basisgetal’ -> stopconditie nodig!
Voordelen van het kopen van samenvattingen bij Stuvia op een rij:
Verzekerd van kwaliteit door reviews
Stuvia-klanten hebben meer dan 700.000 samenvattingen beoordeeld. Zo weet je zeker dat je de beste documenten koopt!
Snel en makkelijk kopen
Je betaalt supersnel en eenmalig met iDeal, creditcard of Stuvia-tegoed voor de samenvatting. Zonder lidmaatschap.
Focus op de essentie
Samenvattingen worden geschreven voor en door anderen. Daarom zijn de samenvattingen altijd betrouwbaar en actueel. Zo kom je snel tot de kern!
Veelgestelde vragen
Wat krijg ik als ik dit document koop?
Je krijgt een PDF, die direct beschikbaar is na je aankoop. Het gekochte document is altijd, overal en oneindig toegankelijk via je profiel.
Tevredenheidsgarantie: hoe werkt dat?
Onze tevredenheidsgarantie zorgt ervoor dat je altijd een studiedocument vindt dat goed bij je past. Je vult een formulier in en onze klantenservice regelt de rest.
Van wie koop ik deze samenvatting?
Stuvia is een marktplaats, je koop dit document dus niet van ons, maar van verkoper Wclaesen. Stuvia faciliteert de betaling aan de verkoper.
Zit ik meteen vast aan een abonnement?
Nee, je koopt alleen deze samenvatting voor €9,48. Je zit daarna nergens aan vast.
