02 Izpitni centri ECDL ECDL (European Computer Driving License), ki ga v Sloveniji imenujemo evropsko raËunalni.ko spriËevalo, je standardni program usposabljanja uporabnikov, ki da zaposlenim potrebno znanje za delo s standardnimi raËunalni.kimi programi na informatiziranem delovnem mestu, delodajalcem pa pomeni dokazilo o usposobljenosti. V Evropi je za uvajanje, usposabljanje in nadzor izvajanja ECDL poobla.Ëena ustanova ECDL Fundation, v Sloveniji pa je kot Ëlan CEPIS (Council of European Professional Informatics) to pravico pridobilo Slovensko dru.tvo INFORMATIKA. V draavah Evropske unije so pri uvajanju ECDL moËno angaairane srednje in visoke .ole, aktivni pa so tudi razliËni vladni resorji. Posebno pomembno je, da velja spriËevalo v 148 draavah, ki so vkljuËene v program ECDL. Doslej je bilo v svetu izdanih ae veË kot 11,6 milijona indeksov, v Sloveniji veË kot 17.000, in podeljenih veË kot 11.000 spriËeval. Za izpitne centre v Sloveniji je usposobljenih osem organizacij, katerih logotipe objavljamo. VSEBINA UPORABNA INFORMATIKA 2016 ©TEVILKA 2 APR/MAJ/JUN LETNIK XXIV ISSN 1318-1882 Znanstveni prispevki Tanja Grublje.iË Celoviti okvir dejavnikov sprejemanja in uËinkovite uporabe sistemov poslovne inteligence 51 Marjeta Marolt, Gregor Lenart, Andreja Pucihar Uporaba druabenih medijev v slovenskih podjetjih 64 Pregledni znanstveni prispevki Marko Bohanec, Mirjana KljajiE Bor.tnar, Marko Robnik ©ikonja Nabor atributov za opisovanje medorganizacijske prodaje (B2B) 74 Strokovni prispevki Tadej Matek, Dejan LavbiË Adaptivni pristop k uËenju jezika SQL 81 Informacije Franc Solina Dvajseta obletnica ustanovitve Fakultete za raËunalni.tvo in informatiko Univerze v Ljubljani 94 INF ORMAT IK A 2016 ©TEVILKA 2 APR/MAJ/JUN LETNIK XXIV ISSN 1318-1882 Ustanovitelj in izdajatelj Slovensko dru.tvo INFORMATIKA Litostrojska cesta 54, 1000 Ljubljana Predstavnik Niko Schlamberger Odgovorni urednik Jurij JakliË Uredni.ki odbor Marko Bajec, Vesna Bosilj Vuk.iE, Sjaak Brinkkemper, Gregor Hauc, Jurij JakliË, Andrej KovaËiË, Jan von Knop, Jan Mendling, Miodrag PopoviE, Katarina Puc, Vladislav RajkoviË, Ivan Rozman, Pedro Simoes Coelho, John Taylor, Mirko Vintar, Tatjana Welzer Druaovec Recenzenti Marko Bajec, Teja Batagelj, Marko Bohanec, Borut »ampelj, Janez Dem.ar, Nadja Dobnik, Jure Erjavec, Tomaa Erjavec, Liljana Ferbar Tratar, Bogdan FilipiË, Aleksandar GavriË, Ivan GerliË, Janez Grad, Miro Gradi.ar, Tanja Grublje.iË, Mojca Indihar Štemberger, Tadeja Jere Jakulin, Bojan Jo.t, Tina JukiE, Miroljub KljajiE, Mirjana KljajiE Bor.tnar, Tomaa KlobuËar, Andrej KovaËiË, Nives Kreuh, Marjan Krisper, Marija Milavec Kapun, Janja Nograšek, Gregor PetriË, Andreja Pucihar, Uro. RajkoviË, Tanja RajkoviË, Vladislav RajkoviË, Andrej Robida, Niko Schlamber ger, Brane ©mitek, Mitja ©tiglic, Andrej Tom.iË, Marina Trkman, Peter Trkman, Tomaa Turk, Borut Werber, Bo.tjan Žvanut TehniËna urednica Mira Turk ©kraba Lektoriranje Mira Turk ©kraba (slov.) Marvelingua (angl.) Oblikovanje KOFEIN DIZAJN, d. o. o. Prelom in tisk Boex DTP, d. o. o., Ljubljana Naklada 600 izvodov Naslov uredni.tva Slovensko dru.tvo INFORMATIKA Uredni.tvo revije Uporabna informatika Litostrojska cesta 54, 1000 Ljubljana www.uporabna-informatika.si Revija izhaja Ëetrtletno. Cena posamezne .tevilke je 20,00 EUR. Letna naroËnina za podjetja 85,00 EUR, za vsak nadaljni izvod 60,00 EUR, za posameznike 35,00 EUR, za .tudente in seniorje 15,00 EUR. V ceno je vkljuËen DDV. Izdajanje revije Uporabna informatika v letu 2016 sofinancira Javna agencija za raziskovalno dejavnost Republike Slovenije. Revija Uporabna informatika je od .tevilke 4/VII vkljuËena v mednar odno bazo INSPEC. Revija Uporabna informatika je pod zaporedno .tevilko 666 vpisana v razvid medijev, ki ga vodi Ministrstvo za kulturo RS. Revija Uporabna informatika je vkljuËena v Digitalno knjianico Slovenije (dLib.si). Y Slovensko dru.tvo INFORMATIKA Vabilo avtorjem V reviji Uporabna informatika objavljamo kakovostne izvirne Ëlanke domaËih in tujih av­torjev z naj.ir.ega podroËja informatike v poslovanju podjetij, javni upravi in zasebnem aivljenju na znanstveni, strokovni in informativni ravni; .e posebno spodbujamo objavo interdisciplinarnih Ëlankov. Zato vabimo avtorje, da prispevke, ki ustrezajo omenjenim usmeritvam, po.ljejo uredni.tvu revije po elektronski po.ti na naslov ui@drustvo ­-informatika.si. Avtorje prosimo, da pri pripravi prispevka upo.tevajo navodila, objavljena v nadaljeva­ nju ter na naslovu http://www.uporabna-infor matika.si. Za kakovost prispevkov skrbi mednarodni uredni.ki odbor. »lanki so anonimno recen ­zirani, o objavi pa na podlagi recenzij samostojno odloËa uredni.ki odbor. Recenzenti lahko zahtevajo, da avtorji besedilo spremenijo v skladu s priporoËili in da popravljeni Ëlanek ponovno prejmejo v pregled. Uredni.tvo pa lahko .e pred recenzijo zavrne objavo prispevka, Ëe njegova vsebina ne ustreza vsebinski usmeritvi revije ali Ëe Ëlanek ne ustreza kriterijem za objavo v reviji. Pred objavo Ëlanka mora avtor podpisati izjavo o avtorstvu, s katero potrjuje original­nost Ëlanka in dovoljuje prenos materialnih avtorskih pravic. NenaroËenih prispevkov ne vraËamo in ne honoriramo. Avtorji prejmejo enoletno naroËnino na revijo Uporabna informatika, ki vkljuËuje avtorski izvod revije in .e nadaljnje tri zaporedne .tevilke. S svojim prispevkom v reviji Uporabna informatika boste prispevali k .irjenju znanja na podroËju informatike. Aelimo si Ëim veË prispevkov z raznoliko in zanimivo tematiko in se jih ae vnaprej veselimo. Uredni.tvo revije Navodila avtorjem Ëlankov »lanke objavljamo praviloma v sloven.Ëini, Ëlanke tujih avtorjev pa v angle.Ëini. Bese­dilo naj bo jezikovno skrbno pripravljeno. PriporoËamo zmer nost pri uporabi tujk in ‡ kjer je mogoËe ‡ njihovo zamenjavo s slovenskimi izrazi. V pomoË pri iskanju sloven­skih ustreznic priporoËamo uporabo spletnega terminolo.kega slovarja Slovenskega dru.tva Informatika Islovar (www.islovar.org). Znanstveni Ëlanek naj obsega najveË 40.000 znakov, strokovni Ëlanki do 30.000 zna­ kov, obvestila in poroËila pa do 8.000 znakov. »lanek naj bo praviloma predloaen v urejevalnik u besedil Word (*.doc ali *.docx) v enojnem razmak u, brez posebnih znakov ali poudarjenih Ërk. Za loËilom na koncu stav­ka napravite samo en prazen prostor, pri odstavkih ne uporabljajte zamika. Naslovu Ëlanka naj sledi za vsakega avtorja polno ime, ustanova, v kateri je zaposlen, naslov in elektr onski naslov. Sledi naj povzetek v sloven.Ëini v obsegu 8 do 10 vrstic in seznam od 5 do 8 kljuËnih besed, ki najbolje opredeljujejo vsebinski okvir Ëlanka. Pred povzetkom v angle.Ëini naj bo .e angle.ki prevod naslova, prav tako pa naj bodo doda­ne kljuËne besede v angle.Ëini. Obratno velja v primeru predloaitve Ëlanka v angle.Ëini. Razdelki naj bodo naslovljeni in o.tevilËeni z arabskimi .tevilkami. Slike in tabele vkljuËite v besedilo. Opremite jih z naslovom in o.tevilËite z arabskimi .tevilkami. Vsako sliko in tabelo razloaite tudi v besedilu Ëlanka. »e v Ëlanku uporab­ljate slike ali tabele drugih avtorjev, navedite vir pod sliko oz. tabelo. Revijo tiskamo v Ërno-beli tehniki, zato barvne slike ali fotografije kot original niso primerne. Slik zaslonov ne objavljamo, razen Ëe so nujno potrebne za razumevanje besedila. Slike, grafikoni, organizacijske sheme ipd. naj imajo belo podlago. EnaËbe o.tevilËite v okle­pajih desno od enaËbe. V besedilu se sklicujte na navedeno literaturo skladno s pravili sistema APA navajanja bibliografskih referenc, najpogosteje torej v obliki (Novak & KovaË, 2008, str. 235). Na koncu Ëlanka navedite samo v Ëlanku uporabljeno literatur o in vire v enotnem seznamu po abecednem redu avtorjev, prav tako v skladu s pravili APA. VeË o sistemu APA, katerega uporabo omogoËa tudi urejevalnik besedil Word 2007, najdete na strani http://owl.english.pur due.edu/owl/r esour ce/560/01/. »lanku dodajte kratek aivljenjepis vsakega avtorja v obsegu do 8 vrstic, v katerem poudarite predvsem strokovne doseake. ZNANSTVENI PRISPEVKI Celoviti okvir dejavnikov sprejemanjain uËinkovite uporabe sistemov poslovne inteligence Tanja Grublje.iË Univerza v Ljubljani, Ekonomska fakulteta, Kardeljeva plo.Ëad 17, 1000 Ljubljana tanja.grubljesic@ef.uni-lj.si IzvleËek ©tevilni primeri razkrivajo, da zaposleni premalo izkori.Ëajo moanosti, ki jih ponujajo poslovnointeligenËni sistemi, kar organizacijam onemogoËa uresniËevanje moanih koristi. Namen raziskave je zato izbolj.ati razumevanje dejavnikov vpliva na motivacijo posameznika za uporabo poslovnoin­teligenËnega sistema ter kako in zakaj posamezniki tvorijo prepriËanja, da zaËnejo uporabljati poslovnointeligenËni sistem in nadaljujejo z njegovo uËinkovito uporabo, vpeto v rutine zaposlenih, v izvajanje poslovnih procesov, tehnolo.ko infrastrukturo in strategijo. Na podlagi ob.irnega pre­gleda literatur e in sinteze dosedanjih ugotovitev v Ëlanku oblikujemo celovit okvir dejavnikov sprejemanja (vkljuËno s predhodnimi dejavniki) in uËinkovite uporabe poslovnointeligenËnih sistemov. Ugotovitve kaaejo, da se glavni vzvodi sprejemanja in uËinkovite uporabe poslovnointeligenËnih sistemov precej razlikujejo od poudarkov v tradicionalnih modelih sprejemanja. V okviru uporabe poslovnointeligenËnih sistemov imajo prevladujoË pomen organizacijski in sociolo.ki dejavniki. KljuËne besede: poslovnointeligenËni sistemi, sprejemanje poslovnointeligenËnih sistemov, uËinkovita uporaba poslovnointeligenËnih sistemov, vpetost uporabe poslovnointeligenËnih sistemov, organizacijski dejavniki, sociolo.ki mehanizmi, informacijska kultura. Abstract A comprehensive framework of acceptance and effective use of business intelligence systems Endless cases have shown that Business Intelligence Systems (BIS) are underutilized by employees, thereby preventing organizations from achieving the promised benefits. The purpose of this study is therefore to improve the understanding behind what drives and individual’s moti­vation to use BIS and how and why individuals finally decide to use BIS, furthermore continuing the use in an effective manner, integrated into the routines of workers, organizational processes, the technological infrastr ucture and strategy. Based on the extensive literatur e review and the synthesis of previous findings, we have constructed a comprehensive framework of acceptance determinants (along with antecedent deter ­minants) and effective use of BIS. Findings reveal that the major drivers of acceptance and THE effective use of BIS are considerably different than posited by traditional acceptance models. In the context of BIS, the main drivers appear to be organizational and social determinants. Keywords: business intelligence systems, acceptance of BIS, effective use of BIS, integration of BIS use, organizational determinants, social mechanisms, information culture. UVOD Medtem ko je informacijska tehnologija pogosto gonilo za organizacijske spremembe, pa je njena uspe.nost, ki se kaae v izbolj.anju uspe.nosti podjetja, pogosto odvisna od Ëlove.kih dejavnikov (Baumöl, 2015). Za zagotavljanje uspe.nosti informacijskih sistemov (IS) (Delone & McLean, 2003), morajo te sprejeti in jih uËinkovito uporabljati zapo­sleni v organizaciji (Venkatesh, Morris, Davis & Davis, 2003). Kljub pomembnemu napredku na podroËju razvo­ja programskih re.itev je problem neizkori.Ëenosti informacijskih sistemov .e vedno prisoten. Obsta­jajo .tevilni primeri neuspe.nih uvedb informacij­skih sistemov znotraj organizacij (Venkatesh & Bala, 2008), ki so povezani s prenizko ravnjo sprejemanja in uporabe (Venkatesh idr., 2003). Medtem ko je za­Ëetno sprejetje uporabnikov pomembno v zaËetnih fazah uvedbe informacijskega sistema, ki sledi inici­aciji, organizacijskemu privzemu in adaptaciji, pa je dolgoroËna uËinkovita uporaba informacijskega sis­tema, vkljuËno z rutinizacijo in vpetostjo, kot predla­gajo Cooper in Zmud (1990) ter Saga in Zmud (1994), v stopenjskem modelu uvedbe informacijskega sistema kljuËno merilo njegovega dejanskega uspeha (DeLone & McLean, 2003; Venkatesh & Bala, 2008). Izvedenih je bilo ae mnogo raziskav, ki so prouËe­vale in sku.ale razumeti uporabni.ko sprejemanje informacijske tehnologije (Venkatesh & Davis, 2000; Venkates & Bala, 2008), katerih rezultat je veËje .tevilo modelov, ki vkljuËujejo razliËne vedenjske, sociolo.ke in druge kontrolne dejavnike za pojasnjevanje spre­jemanja informacijske tehnologije (npr. Davis, 1989; Venkatesh idr., 2003; Venkatesh & Bala, 2008). Eden od ciljev tak.nih modelov je .napovedovanje spreje­manja informacijskega sistema in naËrtovanje spre­memb pred uporabnikovo izku.njo z novim siste­mom« (Taylor & Todd, 1995, str. 561). Raziskovanje sprejemanja informacijske tehnolo­gije je eno izmed najbolj zrelih in bogatih raziskoval­nih tokov na podroËju informacijskih sistemov. Po drugi strani pa je uporabni.ko vedenje po sprejetju .e vedno premalo raziskano, pogosto razumljeno kot nara.ËajoËa intenzivnost uporabe ali veËja pogostost uporabe (Jasperson, Carter & Zmud, 2005). Nekaj raziskovalnih prizadevanj je ae pokazalo, da se upo­raba po sprejetju lahko s pridobljenimi izku.njami sËasoma tudi zmanj.uje (Bhattacherjee, 2001) ali pa postane vpeta v navade in rutinsko delo zaposlenih (Jasperson idr., 2005). Nedvomno lahko raziskave o sprejemanju tehnologije in zaËetne uporabe obo­gatijo na.e razumevanje uporabni.kega vedenja po sprejetju in lahko gradimo na ugotovitvah in pre­poznanih dejavnikih, ki vplivajo na sprejemanje in uporabo novega informacijskega sistema, vendar pa so dejavniki, ki lahko vplivajo na sprejemanje infor­macijskih sistemov in uporabo, po sprejetju razliËni. Razlike med prepriËanji in vedenjem pred sprejetjem in uporabni.kim vedenjem po sprejetju so ae bile opaaene (Agarwal & Karahanna, 2000; Karahanna, Straub & Chervany, 1999). Kljub temu da raziskave sprejemanja tehnologi­je ponujajo .tevilne robustne modele dejavnikov, ki vplivajo na namen uporabe in uporabo informacijske tehnologije/informacijskih sistemov, pa prepozna­vanje predhodnih dejavnikov, ki vplivajo na obliko­vanje teh prepriËanj, .e vedno primanjkuje (Venka­tesh & Bala, 2008). Najpogostej.a kritika modelov sprejemanja je pomanjkanje smernic za poveËevanje ravni sprejemanja (Lee, Kozar & Larsen, 2003; Venka­tesh idr., 2003; Benbasat & Barki, 2007; Venkatesh & Bala, 2008). Prepoznavanje predhodnih dejavnikov, ki vplivajo na sprejemanje in uporabo informacijskih sistemov, ponuja pomembno vrednost organizaci­jam, saj lahko na njihovi podlagi proaktivno naËrtu­jejo ukrepe (Jasperson idr., 2005, Venkatesh & Bala, 2008), s katerimi lahko ublaaijo odpor do sprejemanja novih informacijskih sistemov in izbolj.ajo verjetnost uspeha in poslovne vrednosti novih informacijskih sistemov za organizacije. Splo.ni nabor prepoznanih dejavnikov sprejema­nja in uporabe, ki obsega .irok razpon informacijskih sistemov, zagotavlja .irok okvir in dobro izhodi.Ëe za razumevanje uporabni.kega sprejemanja in upo­rabe informacijskih sistemov (Vekatesh idr., 2003; Grublje.iË, 2013). Vendar pa ima prepoznavanje kon­tekstno specifiËnih dejavnikov .izjemno vrednost za razvoj teorije o specifiËnem artefaktu informacij­ske tehnologije, s prepoznavanjem dejavnikov, ki so znaËilni za uporabo te vrste tehnologije« (Venkatesh & Bala, 2008, str. 275). Naloabe v poslovnointeligenËne sisteme (angl. Business Intelligence Systems, v nadaljevanju BIS) so postale .prepoznaven znak organizacijske strate­gije in konkurenËne prednosti« (Venkatesh, Brown, Maruping & Bala, 2008, str. 484; Wixom & Watson, 2010). V literaturi je posebej poudarjen pozitiven vpliv informacij, ki jih ponujajo poslovnointeligenËni sistemi za poslovno odloËanje, .e posebno ko organi­zacije poslujejo v zelo konkurenËnih okoljih (Popo­viË, Hackney, Coelho, & JakliË, 2012). Spremembe v dana.njem modernem poslovnem okolju, v katerem je poslovno odloËanje na podlagi podatkov, pridob­ljenih z uporabo poslovnointeligenËnih sistemov, analitike in masovnih podatkov (angl. Big data) ve­dno bolj poudarjeno kot podlaga za inovativnost in agilnost (Chen & Siau, 2011; Davenport idr., 2012; Ki­ron, Prentice, & Ferguson, 2012), skupaj z vse veËji­mi kompetencami in znanjem uporabnikov glede uporabe informacijske tehnologije/informacijskih sistemov vplivajo na spremembe v motivaciji upo­rabnikov glede sprejemanja in uporabe novodob­nih tehnologij, sistemov, aplikacij in/ali poslovnih praks (Shin, 2015; Shah idr., 2012; Grublje.iË & JakliË, 2015a). Shin (2015) poudarja, da je kljub robustnosti tradicionalnih modelov sprejemanja tehnologije te treba prilagoditi novim in nastajajoËim trendom in tehnologijam. Z raziskavo aelimo izbolj.ati razumevanje in po­nuditi ob.irno razlago o tem, kaj vpliva na motivacijo posameznika, da uporablja poslovnointeligenËni sis­tem, ter kako in zakaj posamezniki tvorijo prepriËa­nja, da ga zaËnejo uporabljati in nadaljujejo z upora­bo, vpeto v njihove rutine. Na podlagi ob.irnega pre­gleda in sinteze obstojeËih ugotovitev raziskav spre­jemanja in uporabe poslovnointeligenËnih sistemov je predlagan celovit okvir dejavnikov sprejemanja in razliËnih dimenzij uËinkovite uporabe poslovnointe­ligenËnih sistemov. Predlagani model vkljuËuje tudi znaËilne vplivne predhodne dejavnike, ki vplivajo na oblikovanje vedenjskih prepriËanj za sprejemanje poslovnointeligenËnih sistemov. S tem raziskava od­govarja tudi na pogosto kritiko modelov sprejema­nja (Venkatesh & Bala, 2008). Ugotovitve kaaejo, da se glavni vzvodi sprejemanja in uËinkovite uporabe poslovnointeligenËnih sistemov precej razlikujejo od poudarkov v tradicionalnih modelih sprejema­nja. Tradicionalne teorije in modeli sprejemanja so preteano raziskovali vpliv lastnosti posameznika in zaznave posameznikov, povezane z znaËilnostmi sistema (Junglas, Goel, Abraham & Ives, 2013). Ta raziskava pa razkriva velik pomen organizacijskih in sociolo.kih dejavnikov v okviru uporabe poslov­nointeligenËnih sistemov. V okviru sprejemanja in uËinkovite uporabe poslovnointeligenËnih sistemov, vpete v rutine delavcev, pridejo do izraza dejavniki, kot so predstavljivost rezultatov, sociolo.ki vpliv, or­ganizacijska osredinjenost na stranke in odprta infor­macijska kultura z omogoËanjem ustrezne podpore. »lanek je strukturiran tako, da v drugem razdel­ku predstavljamo problematiko preuËevanja spreje­manja in uporabe poslovnointeligenËnih sistemov, pri Ëemer je prikazano, da lahko na motivacijo za odloËitev o uporabi poslovnointeligenËnih sistemov vpliva poseben sklop dejavnikov, ki odraaa njihovo posebno naravo uporabe v primerjavi s splo.nimi ali posebej z operativnimi informacijskimi sistemi. V tretjem razdelku so predstavljene ugotovitve dose­danjih raziskav sprejemanja in uporabe poslovnoin­teligenËnih sistemov. Temu sledi predstavitev in raz­prava o celotnem okviru dejavnikov sprejemanja in uËinkovite uporabe poslovnointeligenËnih sistemov. Podana je tudi ocena prispevka k teoriji in praksi. PROBLEMATIKA PREU»EVANJA SPREJEMANJA IN UPORABE POSLOVNOINTELIGEN»NIH SISTEMOV »eprav literatura ponuja dragocen vpogled v razu­mevanje splo.no veljavnih dejavnikov sprejemanja in uporabe informacijskih sistemov pri uporabnikih v .tevilnih okoljih, lahko na motivacijo in odloËitve za uporabo poslovnointeligenËnih sistemov vpliva specifiËen nabor dejavnikov, ki odraaa njihovo po­sebno naravo uporabe v primerjavi s splo.nimi ali operativnimi informacijskimi sistemi. Razumeva­nje, kaj vpliva na motivacijo posameznikov, da upo­rabljajo poslovnointeligenËne sisteme, ter kako in zakaj posamezniki tvorijo prepriËanja, da zaËnejo z uporabo poslovnointeligenËnih sistemov in nadalju­jejo z njihovo uËinkovito uporabo, je torej kljuËnega pomena. Pomen poslovne inteligence (angl. Business Intelligence, v nadaljevanju BI) in analiziranja masovnih podatkov (angl. Big data analytics) izhaja iz dejstva, da vse veË zasebnih in javnih (vkljuËno z vladnimi) organizacij izkazuje interes za uvedbo poslovnointeligenËnih sistemov (Gartner Research, 2014; Wixom & Watson, 2010). Po raziskavi Gartner Research (2014) sta analitika in poslovna inteligen­ca uvr.Ëeni na prvo mesto poslovnih in tehnolo.kih prednostnih nalog mnogih vodij sluab za informati­ko v letu 2014, kar kaae na njun vedno veËji strate.ki pomen in poudarja potrebo po veËji pozornosti v raziskovanju. PoslovnointeligenËni sistemi so najpogosteje opredeljeni kot re.itve, ki ponujajo kakovostne infor­macije v dobro oblikovanih podatkovnih skladi.Ëih in so povezane z uporabni.ko prijaznimi orodji. Nji­hov cilj je ponuditi deleanikom na razliËnih ravneh v organizaciji pravoËasen dostop, uËinkovite analize in predstavitev informacij, ki nastajajo v poslovnih aplikacijah, ki jim omogoËajo sprejemanje pravil­nih odloËitev ali sprejemanje ustreznih ukrepov za celo vrsto poslovnih dejavnosti (PopoviË, Coelho, & JakliË, 2009). Bistveni elementi uvedbe poslov­nointeligenËnega sistema niso le programska opre­ma ali tehnolo.ke komponente, temveË tudi pomen Ëlove.kih dejavnikov v organizaciji in njenem poslov­nem okolju. V skladu s tem English (2005) .ir.e opre­deljuje poslovno inteligenco kot .sposobnost podje­tja, da uËinkovito deluje z izkori.Ëanjem Ëlove.kih in informacijskih virov«. Poslovna inteligenca tako ne more obstajati brez ljudi, ki razlagajo pomen in pomembnost informacij in delujejo na podlagi prido­bljenega znanja (English, 2005). Dejanska in uËinkovita uporaba poslovnointe­ligenËnih sistemov velja za izredno pomembno, saj predstavlja povezavo med na eni strani uporabo in sprejemanjem tehnologije ali sistema in na dru­gi strani dolgoroËno rutinsko (Bhattacherjee, 2001) uporabo informacij, ki jih ponuja poslovnointeli­genËni sistem, to je ko postane uporaba poslovnoin­teligenËnega sistema vpeta v proces ustvarjanja po­slovne vrednosti (PopoviË idr., 2012). Sama uvedba in obstoj poslovnointeligenËnega sistema v podjetju torej nista dovolj, da bi se dodana vrednost izkazo­vala v uspe.nosti poslovanja. DolgoroËna vzdranost poslovnointeligenËnih sistemov in njihov uspeh sta odvisna od sposobnosti, da postanejo vpeti v rutine delavcev, procese in strategijo organizacije (Shanks, Bekmamedova, Adam & Daly, 2012). Da bi dosegli to raven vpetosti, je treba razumeti, kaj motivira in obli­kuje odloËitve zaposlenih, da na ta naËin uporabljajo poslovnointeligenËni sistem. Za preuËevanje dejavnikov, ki vplivajo na spreje­manje in razliËne dimenzije uporabe poslovnointe­ligenËnih sistemov, je pomembno opredeliti njihove specifiËne znaËilnosti v primerjavi s tradicionalnimi oz. operativnimi informacijskimi sistemi. Najbolj opazne posebnosti poslovnointeligenËnih sistemov, povezane z naravo njihove uporabe, so: prostovolj­nost uporabe (Venkatesh & Davis, 2000; Venkatesh idr., 2003; Venkatesh & Bala, 2008); drugaËna struk­tura uporabnikov (predvsem menedaerji), kar je pogosto povezano z manj strukturiranimi informa­cijskimi potrebami; zbrane informacije so veliko bolj agregirane in integrirane in veliko je deljenja infor­macij na ravni organizacije (Negash & Gray, 2008), povezano s potrebo po izbolj.avah na podroËju in­formacijske kulture (Marchand, Kettinger, Rollins, 2001); poudarek je na relevantnosti informacij, ki jih zagotavlja poslovnointeligenËni sistem (DeLone & McLean, 2003; Eppler 2006;. PopoviË idr., 2009). Opredelitev posebnih znaËilnosti uporabni.kega okolja poslovnointeligenËnega sistema pomaga raz­kriti, da lahko drugaËni vplivi oblikujejo motivacijo in odloËitve glede njegovega sprejemanja in uporabe. Razumevanje, kako in zakaj posamezniki tvorijo od­loËitve za uporabo poslovnointeligenËnih sistemov, lahko potencialno poveËa njihovo uËinkovito upora­bo, vpetost v rutine delavcev, organizacijske procese, tehnolo.ko infrastrukturo in strategijo (Shanks idr., 2012). Ta poglobljena uporaba vkljuËuje napredno analitiko z ustvarjanjem konkurenËnega in inovativ­nega znanja, za ustvarjanje .odloËitvenih aktivnosti, ki temeljijo na uporabi poslovnointeligenËnih siste­mov in s poslovno inteligenco omogoËenih organi­zacijskih procesov, ki vodijo vodstveno odloËanje na nove ravni razumevanja in predvidevanja« (Shanks idr., 2012, str. 114). Tabela 1: Razlike med poslovnointeligenËnimi sistemi in operativnimi informacijskimi sistemi (Vir: Grublje.iË & JakliË, 2015) Operativni IS BIS Stopnja prostovoljnosti Niaja Vi.ja (PopoviË idr., 2012) Strukturiranost procesov, v katerih uporabljajo IS Vi.ja Niaja (PopoviË idr., 2012) Metode za identificiranje informacijskih potreb Dobro uveljavljene (procesno usmerjene) Manj uveljavljene (PopoviË idr., 2012) Kontekst za identificiranje informacijskih potreb Procesi Procesi, menedament uspe.nosti in uËinkovitosti poslovanja (PopoviË idr., 2012) Uporabljeni viri podatkov VeËinoma znotraj procesa Potrebni dodatni viri podatkov (PopoviË idr., 2012) Orientiranost IS Aplikacijsko in procesno orientiran Podatkovno in procesno orientiran (PopoviË idr., 2012) Glavni problemi glede kakovosti podatkov Celoviti in toËni podatki, dostopnost podatkov Relevantnost (Eppler, 2006) Stopnja integracije IS Proces Organizacija ali oddelek (se razpenja Ëez veË procesov) (PopoviË idr., 2012) Stopnja potrebne zanesljivosti IS Vi.ja Niaja (PopoviË idr., 2012) Koristi Neposredne in takoj.nje Posredne in dolgoroËne (Gibson, Arnot & Jagielska, 2004) Struktura uporabnikov Uporabniki vseh organizacijskih in izobrazbenih Vi.je izobraaeni ‡ menedament (Negash & Gray, 2008) ravni Strukturiranost navodil za uporabo Vi.ja Niaja (bolj raziskovalno usmerjena in inovativna uporaba) (Negash & Gray, 2008) Stopnja zdruaenosti zbranih podatkov Niaja Vi.ja (Frolick & Ariyachandra, 2006) Deljenje informacij Niaje Vi.je (integrirane in zdruaene informacije) (Marchand idr., 2001, Olszak & Ziemba, 2007) PREGLED DOSEDANJIH RAZISKAV IN UGOTOVITEV 3.1 Konceptualni model sprejemanja in raz.irjeneuporabe poslovnointeligenËnih sistemov Po ob.irnem pregledu teorij in modelov, ki se ukvar­jajo s psiholo.kimi, tehnolo.kimi, organizacijskimi in okoljskimi vplivi na sprejemanje informacijskih sistemov, je bil identificiran, sistemiziran in kate­goriziran .irok nabor dejavnikov sprejemanja in­formacijskih sistemov, ki vkljuËuje individualne, tehnolo.ke, organizacijske, sociolo.ke in okoljske znaËilnosti (Grublje.iË, 2013). Ti dejavniki so te­meljni okvir in izhodi.Ëe za preuËevanje dejavnikov sprejemanja in uËinkovite uporabe poslovnointeli­genËnih sistemov. Na podlagi obstojeËe literature so identificirane tudi specifiËne znaËilnosti poslovno­inteligenËnih sistemov v primerjavi z operativnimi informacijskimi sistemi (tabela 1), ki se navezujejo na njihovo posebno naravo uporabe in poudarjajo potrebo po raziskovanju uËinkovitega sprejemanja in uporabe poslovnointeligenËnih sistemov posebej (Grublje.iË & JakliË, 2015a). Dognanja na podlagi pregleda literature so bila okrepljena s podatki, zbranimi na podlagi .tudij pri­merov, vkljuËno s polstrukturiranimi intervjuji, ki so omogoËili bolj poglobljeno razumevanje tistih dejav­nikov (Blumberg, Cooper & Schindler, 2008), ki so bolj izraziti v specifiËnem raziskovanem okolju spre­jemanja in uËinkovite uporabe poslovnointeligenËnih sistemov. Po pregledu literature in z nadgraditvijo z ugotovitvami iz raziskovalnih .tudij primerov je bil predlagan konceptualni model sprejemanja in raz.irjene uporabe poslovnointeligenËnih sistemov, prikazan na sliki 1, ki razlikuje med objektivnimi in vedenjskimi prepriËanji, ki vplivajo na uËinkovito sprejemanje in uporabo (Grublje.iË & JakliË, 2015a, Grublje.iË & JakliË, 2015b). Ugotovitve so pokazale, da je v kontekstu spre­jemanja poslovnointeligenËnih sistemov pomemben poudarek na organizacijskih dejavnikih, kot so pred­stavljivost rezultatov, sociolo.ki vpliv in podpor­ne okoli.Ëine z zagotavljanjem zadostnih sredstev, vzporedno z ustvarjanjem ustrezne informacijske kulture (Grublje.iË & JakliË, 2015a). Nadaljnja analiza ugotovitev iz .tudij primerov je bila osredinjena na preiskavo razliËnih naËinov uporabni.kega vedenja, ki sledi zaËetnemu spreje­manju poslovnointeligenËnega sistema. Za uËinkovi­to uporabo poslovnointeligenËnega sistema je izjem­nega pomena .obve.Ëeno odloËanje« (angl. infor­med action), v smislu odloËanja na podlagi informa­cij, pridobljenih iz poslovnointeligenËnih sistemov (Burton­Jones & Grange, 2013). Na podlagi raziskav Burton­Jones in Straub (2006) so bile opredeljene in teoretiËno podprte tri dimenzije uËinkovite uporabe poslovnointeligenËnega sistema, in sicer intenziv­nost, obseg in vpetost uporabe. Intenzivnost uporabe je v literaturi najpogosteje uporabljena dimenzija za merjenje uporabe infor­macijskih sistemov (Davis idr., 1989; Venkatesh & Davis, 2000; Venkatesh idr., 2003; Venkatesh & Bala, 2008; Venkatesh, Brown, Maruping & Bala, 2008). Ta razseanost uporabe je bila veËinoma koncipirana in operacionalizirana kot pogostost ali trajanje upora­be, ki temelji na uporabnikovi samooceni Ëasa, ki ga porabi za uporabo sistema, ali kot trajanje njihove uporabe prek sistemskih dnevnikov. Ta pojmovanja so omejena, saj ne zajemajo razlike med uËinkovito in smiselno uporabo in neuspe.no porabljenim Ëa­som z uporabo sistema (Deng & Chi, 2013). Obseg uporabe pove, .v kolik.ni meri uporab­nik uporablja sistem za opravljanje razliËnih nalog« (Burton­Jones & Straub, 2006, str. 233). V kontekstu uporabni.kega vedenja po sprejetju veËja uporaba, ki je zaznana s frekvenco uporabe, ni vedno zaaelena. Vendar lahko uporaba razliËnih funkcij kompleksne­ga sistema za podporo izvajanja nalog posameznika vodi do bolj.ih rezultatov in uresniËitve obljublje­ne donosnosti naloab. Za merjenje obsega uporabe poslovnointeligenËnih sistemov je bila uporablje­na multidimenzionalna mera po Doll in Torkzadeh (1998), ki pove, kako obseano poslovnointeligenËni sistem uporabljajo v organizaciji za podporo od­loËanju, za integracijo dela in za funkcije storitev za stranke. Vpetost uporabe pomeni kvalitativen preskok v uporabi, ki ga je mogoËe razumeti kot stopnjo, .na kateri je uporaba poslovnointeligenËnega sistema sestavni del organizacijske dejavnosti« (Furneaux & Wade, 2011, str. 579). Vpetost je bila koncipirana in imenovana v literaturi razliËno, in sicer kot fuzija, rutinizacija, globoka strukturna uporaba, samodejna uporaba, uporaba, vpeta v navade idr. Vsa poimeno­vanja zajemajo bistvo opredelitve vpetosti. Globoka vpetost poslovnointeligenËnega sistema znotraj or­ganizacije bi morala ustvariti .odloËitvene aktivno­sti, ki temeljijo na uporabi poslovnointeligenËnega sistema in s poslovno inteligenco omogoËene orga­nizacijske procese, ki vodijo vodstveno odloËanje na nove ravni razumevanja in predvidevanja« (Shanks idr., 2012, str. 114). Rezultati na podlagi .tudije primerov in polstruk­turiranih intervjujev so pokazali, da osebna inovativ­nost in pripravljenost na spremembe spodbujata pre­hod v vpetost poslovnointeligenËnega sistema v ruti­ne delavcev. Relevantnost informacij, ki jih zagotavlja poslovnointeligenËni sistem, so kljuËnega pomena za njegovo globoko vpeto uporabo, kar .e ni bilo pou­darjeno v obstojeËih tradicionalnih modelih sprejema­nja informacijskih sistemov. Izpostavljen je tudi velik pomen organizacijskih dejavnikov, poimenovanih transimplementacijski dejavniki, ki bi morali biti iz­vajani pred uvedbo poslovnointeligenËnega sistema, med njo in po njej, in se nenehno razvijati za njegovo uËinkovito uporabo (Grublje.iË & JakliË, 2015b). TEMELJNA VEDENJSKA SPREJEMANJE PREPRI»ANJA PREPRI»ANJA IN UPORABA IN ODNOSI IN ODNOSI INDIVIDUALNE ZNA»ILNOSTI ZAZNAVANJE ‡ Osebna inovativnost USPE©NOSTI IN ‡ Pripravljenost na spremembe U»INKOVITOSTI NAMEN UPORABE KAKOVOST BIS PREDSTAVLJIVOST ‡ Kompatibilnost REZULTATOV ‡ Kakovost informacij: ‡ kakovost rezultatov ZAZNAVANJE NAPORA ‡ relevantnost ‡ Kakovost sistema: SOCIOLO©KI VPLIV ‡ dostopnost PODPORNE ORGANIZACIJSKI DEJAVNIKI OKOLI©»INE ‡ Podpora menedamenta INTENZIVNOST ‡ VkljuËenost uporabnikov pri UPORABE implementaciji ‡ Usposabljanje uporabnikov OBSEG UPORABE ‡ Informacijska kultura ‡ Menedament sprememb VPETOST ‡ Organizacijska sredstva UPORABE MAKROOKOLJSKE ZNA»ILNOSTI ‡ KonkurenËnost okolja Slika 1: Konceptualni model sprejemanja in raz.irjene uporabe poslovnointeligenËnega sistema (Vir: Grublje.iË & JakliË, 2015 a, 2015b) 3.2 EmpiriËni model vplivnih dejavnikov na tridimenzije uporabe poslovnointeligenËnega sistema in model predhodnih dejavnikov njegovega sprejemanja Celotni konceptualni okvir je bil nadgrajen z em­piriËno analizo anketnih podatkov. TeoretiËno sta bila zasnovana model vplivnih dejavnikov na tri dimenzije uporabe poslovnointeligenËnega sistema (slika 2) in model predhodnih dejavnikov sprejema­nja poslovnointeligenËnega sistema (slika 3). Empi­riËno so bile preverjene razliËne postavljene hipoteze (Grublje.iË, Coelho & JakliË, 2014; Grublje.iË, Coelho & JakliË, 2015, Grublje.iË, 2014). Podatki so bili zbrani z anketo, poslano 2173 sre­dnje velikim in velikim organizacijam v Sloveniji, ki imajo veË kot petdeset zaposlenih in so bile registri­rane v uradni bazi podatkov Poslovnega informator­ja Republike Slovenije (PIRS) marca 2013. Vpra.alnik je bil naslovljen na kontaktne osebe v bazi, s pro.njo za posredovanje vpra.alnika razliËnim uporabni­kom poslovnointeligenËnih sistemov, npr. vrhnjemu menedamentu, vodjem oddelkov, vodjem sluab za informatiko in ostalim uporabnikom. Skupno je bilo zbranih 195 izpolnjenih anketnih vpra.alnikov. Analiza podatkov je bila izvedena z uporabo strukturnih modelov (SEM). Te tehnike raziskoval­cem omogoËajo, da ocenjujejo in modificirajo teore­tiËne modele in so postale vedno bolj priljubljene v raziskavah informacijskih sistemov, saj ponujajo ve­liko moanosti za nadaljnji razvoj teorij (Gefen, Straub & Boudreau, 2000), ker prouËujejo pomen odnosov med raziskovalnimi konstrukti in napovedno moË odvisne spremenljivke (Chin, 1998). PLS (angl. Parti­al Least Squares, kratica PLS) je pristop k strukturne­mu modelu, ki je primeren za kompleksne modele (z velikim .tevilom latentnih in manifestnih spremen­ljivk), relativno majhne vzorce in raziskovalne mode­le v zgodnji fazi razvoja in testiranja ter nima distri­bucijskih zahtev po normalni razporeditvi (Henseler idr., 2009). Rezultati empiriËne analize (slika 2) so zagotovili podporo opredelitvi treh razseanosti uporabe poslov­nointeligenËnih sistemov. Pokazali so, da tradicional­ni dejavniki zaznavanja napora ter uËinkovitosti in uspe.nosti ne igrajo pomembne vloge pri napovedo­vanju namere uporabe poslovnointeligenËnih siste­mov. Na namero njihove uporabe vplivajo sociolo.ki mehanizmi, kot sta predstavljivost rezultatov in sociolo.ki vpliv. Neposredni dejavniki, ki vplivajo na razliËne dimenzije uporabe poslovnointeligenËnih sistemov, so namera uporabe (na katero vplivajo druabeni mehanizmi) in podporne okoli.Ëine, med­tem ko organizacijska usmerjenost k strankam nepo­sredno vpliva le na kvalitativni preskok v uporabi od intenzivnosti in raz.irjenosti uporabe do vpeto­sti uporabe poslovnointeligenËnih sistemov v rutine delavcev. Ugotovitve ponovno izpostavljajo pomen organizacijskih dejavnikov za sprejemanje in uËin­kovito uporabo poslovnointeligenËnih sistemov, od­loËilno vlogo organizacijske usmerjenosti k strankam za vpetost poslovnointeligenËnih sistemov v rutine delavcev in bogatijo razumevanje uporabni.kega ve­denja, ki sledi zaËetnemu sprejemanju poslovnointe­ligenËnih sistemov (Grublje.iË, Coelho & JakliË, 2014). ZAZNAVANJE NAPORA H1 0.064 H5a (0.731) 0.378 (4.297***) NAMEN UPORABE INTENZIVNOST UPORABE R2 = 0.512 OBSEG UPORABE R2 = 0.326 VPETOST UPORABE R2 = 0.367 Nadalje je bilo obravnavano pomembno razisko­valno vpra.anje, izpostavljeno v literaturi kot pereËe in premalo raziskano, in sicer kaj so predhodni de­javniki sprejemanja in uporabe s ponujanjem smer­nic, na podlagi katerih lahko organizacije proaktiv­no naËrtujejo ukrepe. Razvit je bil obseaen model predhodnih dejavnikov, ki vplivajo na namen spre­jemanja in uporabe poslovnointeligenËnih sistemov, predstavljen na sliki 3. Model zajema .irok nabor dejavnikov, vkljuËno z individualnimi, tehnolo.kimi in organizacijskimi znaËilnostmi, ki lahko vplivajo na oblikovanje ugodnih zaznav glede uporabe po­slovnointeligenËnih sistemov, ki odraaajo specifike v naravi njihove uporabe. Rezultati raziskave so pokazali znaËilne predhodne dejavnike sprejema­nja v kontekstu poslovnointeligenËnih sistemov. Razkrivajo pomen samouËinkovitosti, ki je indivi­dualna znaËilnost, in organizacijskih dejavnikov, ki RaËunalni.ka anksioznost 0.102 Samoocena glede dela z raËunalnikom 0.248*** Kakovost sistema 0.143 R2 = 0.21 bodisi neposredno (usposabljanje uporabnikov in podpora menedamenta za uporabo poslovnointeli­genËnega sistema) ali posredno prek izbolj.evanja informacijske kulture (vplivni dejavniki so podpora menedamenta pri uvajanju poslovnointeligenËnega sistema, organizacijski dejavniki uspeha njegove uvedbe in organizacijska usmerjenost k strankam) vplivajo na notranjo shemo odloËitev, ki nadalje oblikujejo tvorjenje namena uporabe poslovnoin­teligenËnega sistema. Kakovost informacij in ka­kovost poslovnointeligenËnega sistema (lastnosti same tehnologije) nimajo neposrednega vpliva na ustvarjanje vedenjskih prepriËanj. Ponovno je bil izpostavljen prevladujoËi pomen organizacijskih dejavnikov tudi kot predhodnih dejavnikov, ki vpli­vajo na poveËanje namena uporabe poslovnointeli­genËnih sistemov (Grublje.iË, Coelho & JakliË, 2015, Grublje.iË, 2014). Predstavljivost CELOVITI OKVIR DEJAVNIKOV SPREJEMANJA IN U»INKOVITE UPORABE POSLOVNOINTELIGEN»NIH SISTEMOV Za doseganje poveËanja poslovne uspe.nosti z uved­bo poslovnointeligenËnih sistemov, bi ti morali po­stati sestavni del organizacijske dejavnosti (Furneaux & Wade, 2011), tako da bi postali vpeti v rutine delav­cev, tehnolo.ko infrastrukturo, organizacijske proce­se in strategijo (Shanks idr., 2012). Vseeno pa .tevilni primeri razkrivajo, da zaposleni premalo izkori.Ëajo moanosti, ki jih ponujajo poslovnointeligenËni sis­temi (Li idr., 2013), zato je kljuËnega pomena razu­mevanje dejavnikov njihovega sprejemanja in uËin­kovite uporabe. To omogoËa ustvarjanje ugodnih za­znav ter s tem spodbuja uporabni.ko sprejemanje in uËinkovito uporabo poslovnointeligenËnih sistemov (Venkatesh, 2000), vpetih v rutine delavcev. Vse ugo­tovitve izbolj.ujejo razumevanje in ponujajo okvirno shemo glede tega, kaj vpliva na motivacijo posamez­nikov, da uporabljajo poslovnointeligenËne sisteme, ter kako in zakaj posamezniki oblikujejo zaznave, da jih zaËnejo uporabljati in nadaljujejo z njihovo uËin­kovito uporabo. Na podlagi ugotovitev posameznih raziskav je oblikovan celoviti model sprejemanja in uËinkovite uporabe poslovnointeligenËnega sistema, prikazan na sliki 4. Slika 4: Celoviti okvir sprejemanja in uËinkovite uporabe poslovnointeligenËnega sistema 2016 - .tevilka 2 - letnik XXIV UPORABNA INFORMATIKA 59 OdloËitve o uporabi poslovnointeligenËnega sistema se oblikujejo skozi veË plasti. PrviË, namen uporabe poslovnointeligenËnega sistema (ki ga tvo­rita sociolo.ki vpliv in predstavljivost rezultatov) se oblikuje prek soodvisnega mehanizma vpliva predhodnih dejavnikov. ZnaËilni predhodni de­javniki vkljuËujejo samouËinkovitost, ki je indivi­dualna znaËilnost, in organizacijske dejavnike, ki bodisi neposredno (usposabljanje uporabnikov in podpora menedamenta za uporabo poslovnointe­ligenËnega sistema) ali posredno prek izbolj.evanja informacijske kulture (vplivni dejavniki so podpora menedamenta pri uvajanju poslovnointeligenËne­ga sistema, organizacijski dejavniki uspeha njegove uvedbe in organizacijska usmerjenost k strankam), vplivajo na notranjo shemo odloËitev, ki oblikujejo tvorjenje namena uporabe poslovnointeligenËne­ga sistema. Zanimivo je, da kakovost informacij in kakovost sistema (lastnosti same tehnologije) nima­ta neposrednega vpliva na ustvarjanje vedenjskih prepriËanj. Vmesna plast so dejavniki sprejemanja poslovnointeligenËnega sistema, ki nadalje vplivajo na uporabo. Ti zajemajo vedenjska in normativna prepriËanja, ki vplivajo na namen njegove uporabe, in zunanje organizacijske dejavnike. V kontekstu poslovnointeligenËnega sistema na tvorjenje namena njegove uporabe vplivata sociolo.ki vpliv in pred­stavljivost rezultatov in ne tradicionalni dejavniki zaznave napora in uporabnosti (Davis, 1989, Ven­katesh idr., 2003). Zadnja plast vkljuËuje dejavnike, ki neposredno vplivajo na razliËne dimenzije uËin­kovite uporabe poslovnointeligenËnega sistema, in sicer intenzivnost, obseg in vpetost uporabe, ki pomeni konËni aeleni rezultat njegove uporabe. Ne­posredna dejavnika, ki vplivata na razliËne dimen­zije uporabe poslovnointeligenËnega sistema, sta namen uporabe in podporne okoli.Ëine, medtem ko organizacijska usmerjenost na stranke vpliva le na kvalitativni preskok v uporabi, ki je vpetost poslov­nointeligenËnega sistema v rutine delavcev. Skupni splo.ni model kaae, da lahko organizacijski dejav­niki kot predhodni dejavniki oblikujejo tako namen uporabe, kot tudi neposredno vplivajo na dejansko uporabo. Oblikovanje namena vedenja je .e posebno poudarjeno v okoljih prostovoljne uporabe, v katerih je namen uporabe kljuËni in osrednji napovedovalec dejanske uporabe (Ajzen & Fishbein, 2005). Vseeno pa je dejanska uporaba lahko odvisna .e od nekate­rih drugih dejavnikov, ki lahko vplivajo na dejansko vedenje in temeljijo na zunanjih in situacijskih moti­vih. To je tudi razvidno iz neposrednega vpliva pod­pornih okoli.Ëin in organizacijske osredinjenosti na stranke na dejansko uporabo poslovnointeligenËne­ga sistema. Identificirani predhodni dejavniki lahko torej tudi neposredno vplivajo na razliËne dimenzije uporabe kot zunanji dejavniki, ki niso zajeti v okviru intencionalnosti. Kakovost informacij in sistema kot tudi drugi infrastrukturni dejavniki, ki so del pred­hodnih dejavnikov, bi lahko tudi neposredno vpliva­li na samo uporabo, kar je bilo tudi izpostavljeno z ugotovitvami iz .tudij primerov. Najobseanej.i prispevek je razvoj celovitega okvi­ra dejavnikov sprejemanja in razliËnih razseanosti uporabe poslovnointeligenËnega sistema na ravni posameznika skupaj s predhodnimi dejavniki, ki oblikujejo ta prepriËanja in vedenje. Okvir vkljuËu­je in opredeljuje kljuËna kontekstualna zaznavanja in prepriËanja ter razkriva, kako ta delujejo v okviru uporabe poslovnointeligenËnega sistema za dosega­nje uËinkovite uporabe, vpete v rutine delavcev. Celovita in obseana .tudija sprejemanja in upora­be poslovnointeligenËnega sistema na individualni ravni pomeni prispevek k obstojeËim .tudijam v kon­tekstu poslovnointeligenËnih sistemov. Predhodne raziskave v tem okolju so se osredinjale predvsem na izbolj.anje kakovosti sistema, razvojne znaËilnosti ter na uspe.no uvedbo in kritiËne dejavnike uspe­ha poslovnointeligenËnih sistemov (npr. Wixom & Watson, 2001; Yeoh & Koronios, 2010; PopoviË idr., 2012). Vsi ti vidiki so pomembni in bistveni za uspeh sistema v organizacijah, vseeno pa je na koncu za uresniËitev priËakovanih koristi uvedbe poslovno­inteligenËnega sistema pomembno, da ga zaposleni sprejmejo in uËinkovito uporabljajo. Glede na to, da so glavni dejavniki, ki vplivajo na oblikovanje notranje motivacije in spodbujanje uËinkovite uporabe poslovnointeligenËnega siste­ma, predvsem organizacijski, te ugotovitve ponujajo smernice organizacijam, saj so to dejavniki, na katere organizacije lahko vplivajo in proaktivno naËrtujejo ukrepe za izbolj.anje verjetnosti uspeha in poslov­ne vrednosti poslovnointeligenËnega sistema. Pre­dlogi za vkljuËitev .ir.ih organizacijskih in okolj­skih vplivov za spodbujanje uporabe informacijskih sistemov so ae bili podani v literaturi (Benbasat & Zmud, 2003). Identificirane motivacijske dejavnike bi lahko poimenovali transuvedbeni dejavniki, ki jih je treba nenehno negovati in razvijati (Grublje.iË & JakliË, 2015a) v smeri izgradnje .kulture poslovne inteligence«, kar pomeni ustvarjanje kulture, ki ceni poslovno inteligenco. Rezultati modela izpostavljajo nekaj smernic oz. vzvodov, s pomoËjo katerih je to mogoËe doseËi oz. vzdraevati. Menedament bi moral podpirati uporabo poslovnointeligenËnih sistemov s spodbudami, zgledom in podpiranjem odloËanja na podlagi informacij pridobljenih iz poslovnointeli­genËnih sistemov. To izraaa organizacijske normativ­ne vrednote in prakso, kar motivira uporabnike, da sodelujejo v tak.nem obna.anju. Naslednji pomem­ben organizacijski dejavnik je vzpostavitev odprte informacijske kulture, ki vkljuËuje izmenjavo in pre­glednost informacij ter informacijsko proaktivnost, kar sporoËa uporabnikom, da ponotranjijo ustrezno vedenje in vrednote za delo z informacijami (Mar­chand idr., 2001). To je lahko spodbujeno s podporo menedamenta za uvedbo poslovnointeligenËnega sistema, kar kaae na pomembnost uvedbe poslovno­inteligenËnega sistema projekta kot poslovnega pro­jekta, in ne da gre le za tehnolo.ko izbolj.avo (Yeoh & Koronios, 2010). Vzporedno s tem je pomemben tudi uËinkovit menedament sprememb, ki se ukvarja s po­litiËnim odporom in organizacijskimi spremembami, ki pridejo z uvedbo poslovnointeligenËnega sistema, kot so spremembe v lastni.tvu podatkov, prehod na izmenjevanje in preglednost podatkov ter spremem­be v poslovnih procesih, ki spodbujajo bolj odprto in­formacijsko kulturo. VkljuËitev organizacijske osredi­njenosti k strankam v poslovno strategijo, ki obsega odprto komunikacijo in zbiranje podatkov o strankah ter delovanje na podlagi informacij o zadovoljstvu strank ravno tako odraaa in gradi izmenjavo infor­macij, preglednost in informacijsko proaktivnost z iz­gradnjo vi.je stopnje informacijske kulture, kar spod­buja uporabnike k uporabi poslovnointeligenËnega sistema. »e so organizacije usmerjene k strankam, se zavedajo potenciala dobrih podatkov in informacij, ki vplivajo na izbolj.evanje informacijske kulture, kar poveËuje tudi zavedanje posameznikov znotraj orga­nizacij glede pomena dela s podatki in informacijami. Spodbudno organizacijsko okolje, ki odraaa pod­poro in spodbujanje uporabe poslovne inteligence skozi odprto informacijsko kulturo, lahko oblikuje razmi.ljanje posameznikov in jih motivira za upo­rabo poslovnointeligenËnega sistema. To je izrazi­to pomembno za njegovo uËinkovito uporabo ob upo.tevanju specifiËne narave njegove uporabe, kot sta prostovoljnost uporabe in nestrukturirana nara­va uporabe, tj. raziskovalno usmerjena in inovativ­na uporaba. Razvoj pozitivne notranje motivacije za uporabo poslovnointeligenËnih sistemov ni bistve­nega pomena za temeljno uporabo sistema, ki je de­jansko lahko obvezna oz. potrebna za izvajanje po­slovnih procesov, temveË za globoko strukturno upo­rabo in napredno analitiko, ki je predvsem odvisna od samouËinkovitosti in motivacije posameznika. 5 SKLEP V Ëlanku je predstavljen in razvit celovit okvir dejav­nikov sprejemanja in uËinkovite uporabe poslovno­inteligenËnih sistemov na ravni posameznika, skupaj s predhodnimi dejavniki, ki oblikujejo ta prepriËanja in vedenje. V okviru sprejemanja in uËinkovite upo­rabe poslovnointeligenËnih sistemov, vpetih v rutine delavcev, pridejo do izraza dejavniki, kot so predsta­vljivost rezultatov, sociolo.ki vpliv, organizacijska osredinjenost na stranke in odprta informacijska kul­tura z omogoËanjem ustrezne podpore. Ugotovitve .tudije ponujajo smernice organizacijam za naËrto­vanje ukrepov za izbolj.anje uËinkovite uporabe po­slovnointeligenËnih sistemov. Predstavljeni okvir sprejemanja in uporabe po­nuja tudi veliko moanosti za nadaljnje raziskave, na primer naËina neposrednega vpliva predhodnih de­javnikov na razliËne dimenzije uporabe poslovnoin­teligenËnih sistemov in kako se razliËna prepriËanja in zaznave spreminjajo skozi Ëas in s pridobljenimi izku.njami. Prihodnje raziskave bi lahko vkljuËile razliËne moderatorje in testirale razlike skupin, na primer iskanje razlik v razliËnih dejavnostih, vpliv konkurenËnosti okolja ali katerih koli demografskih znaËilnosti posameznika (npr. starost, spol, izobraz­ba). Raziskava bi lahko bila opravljena .e v drugih draavah. 6 LITERATURA [1] Agarwal, R. & Karahanna, E. (2000). Time flies when you’re having fun: Cognitive absorption and beliefs about informati­on technology usage. MIS Quarterly, 24(4), 665‡694. [2] Ajzen, I. & Fishbein, M. (2005). The influence of attitudes on behavior. V D. Albarracin, B. T. Johnson, M. P. Zanna, Han­dbook of Attitudes and Attitude Change: Basic Principles, Eds., Erlbaum, Mahwah, NJ. [3] Baumöl, U. (2015). Cultural Change in Process Management. V J. vom Brocke & M. Rosemann (ur.), Handbook on Business Process Management 2 (str. 665‡692): Springer Berlin, Hei­delberg. [4] Benbasat, I., & Zmud, R. (2003). The identity crisis within the IS discipline: Defining and communicating the discipline’s core properties. MIS Quarterly, 27(2), 183‡194. [5] Benbasat, I. & Barki, H. (2007). Quo Vadis, TAM? Journal of the Association for Information Systems, 8(4), 211‡218. [6] Bhattacherjee, A. (2001). Understanding information systems continuance: An expectation-confirmation model. MIS Quar­terly, 25(3), 351‡370. [7] Blumberg, B., Cooper, D. R. & Schindler, P. S. (2008). Business Research Methods. 2nd Ed., Berkshire: McGraw-Hill Education. [8] Burton-Jones, A. & Straub, D. W. (2006). Reconceptualizing system usage: An approach and empirical test. Information Systems Research, 17(3), 228‡246. [9] Burton-Jones, A. & Grange, C. (2013). From use to effecti­ve use: A representation theory perspective. Information Sy­stems Research, 24(3), 632‡658. [10] Chen, X., & Siau, K. (2011). Impact of Business Intelligence and IT Infrastructure flexibility on Competitive Performance: An Organizational Agility Perspective. Paper presented at the Infernational Conference on Information Systems (ICIS), Shanghai, China. [11] Chin, W. W. (1998). Issues and opinions on structure equation modeling. MIS Quarterly, 22(1), vii‡xvi. [12] Cooper, R. B. & Zmud, R. (1990). Information technology im­plementation research: A technology diffusion approach. Ma­nagement Science, 36(2), 123‡139. [13] Davenport, T. H., Barth, P., & Bean, R. (2012). How Big Data Is Different. MIT Sloan Management Review, 54(1), 43‡46. [14] Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319‡339. [15] Davis, F. D, Bagozzi, R. P. & Warshaw, P. R. (1989). User acceptance of computer technology: A comparison of two theoretical models. Management Science, 35(8), 982‡1003. [16] DeLone, W. H. & McLean, E. R. (2003). The DeLone and McLe­an model of information systems success: A ten year update. Journal of Management Information Systems, 19(4), 9‡30. [17] Deng, X. N. & Chi, L. (2013). Understanding post-adoptive behaviors in information systems use: A longitudinal analysis of system use problems in the business intelligence context. Journal of Management Information Systems, 29(3), 291‡325. [18] Doll, W. J. & Torkzadeh, G. (1998). Developing a multidimen­sional measure of system-use in an organizational context. Information & Management, 33(4), 171‡185. [19] English, L. P. (2005, July 6). Business intelligence defined. URL: http://www.webcitation.org/5lWCbyuWs. [20] Eppler, M. J. (2006). Managing information quality: Increasing the value of information in knowledge-intensive products and processes. 2nd Ed., Berlin: Springer Berlin, Heidelberg. [21] Frolick, M. N. & Aryachandra, T. R. (2006). Business perfor­mance management: One truth. Information Systems Mana­gement, 23(1), 41‡48. [22] Furneaux, B. & Wade, M. (2011). An exploration of organi­zational level information systems discontinuance intentions. MIS Quarterly, 35(3), 573‡598. [23] Gartner Summits. (2014). Gartner Business Intelligence & Analytics Summit 2014, March 31 ‡ April 2, Las Vegas, NV, USA Available at http://gartnerevent.com/NA_BI12E6/. [24] Gefen, D., Straub, D. W. & Boudreau, M. C. (2000). Structural equation modeling and regression: Guidelines for research and practice. Communications of the Association for Infor­mation Systems, 4(7), 1‡80. [25] Gibson, M. Arnott, D. & Jagielska, I. (2004). Evaluating the Intangible Benefits of Business Intelligence: Review & Rese­arch Agenda, In Proceedings: Decision Support in an Uncer­tain and Complex World: The IFIP TC8/WG8.3 International Conference 2004. [26] Grublje.iË, T. (2013). Dejavniki sprejemanja poslovnointeli­genËnih sistemov, Economic and business review, 15, Spe­cial Issue, 5‡37. [27] Grublje.iË (2014). Determinants of business intelligence sy­stems embeddedness, Doctoral dissertation, Ljubljana, Slo­venia, 157str. [28] Grublje.iË, T., Coelho, P. S. & JakliË, J. (2014). The importance and impact of determinants influencing business intelligen­ce systems embeddedness. Issues in Information Systems, 16(4), 166‡177. [29] Grublje.iË, T., Coelho, P. S. & JakliË, J. (2015). Antecedent de­terminants of beliefs underpinning the intention to accept and use business intelligence systems: the importance of organiza­tional factors. Issues in Information Systems, 15(1), 106‡117. [30] Grublje.iË, T. & JakliË, J. (2015a). Business Intelligence Acceptance: The prominence of organizational factors, Infor­mation Systems Management, 32(1), 300‡316. [31] Grublje.iË, T. & JakliË, J. (2015b). Conceptualization of the business intelligence extended use model. Journal of Com­puter Information Systems, 15(3), 72‡82. [32] Henseler, J., Ringle, C. M. & Sinkovics, R. R. (2009). The use of partial least squares path modeling in international marke­ting. Advances in International Marketing, 20, 227‡319. [33] Jasperson, J., Carter, P. E. & Zmud, R. W. (2005). A com­prehensive conceptualization of post-adoptive behaviors as­sociated with information technology enabled work systems. MIS Quarterly, 29(3), 525‡557. [34] Jourdan, Z., Rainer, R. K. & Marshall, T. E. (2008). Business Intelligence: An analysis of the literature. Information Systems Management, 25(2), 121‡131. [35] Junglas, I., Goel, L., Abraham, C. & Ives. B. (2013). The social components of information systems ‡ How sociability contri­butes to technology acceptance. Journal of the Association for Information Systems, 14(10), 585‡616. [36] Karahanna, E., Straub, D. W. & Chervany, N. L. (1999). Infor­mation technology adoption across time: A cross-sectional comparison of pre-adoption and post-adoption beliefs. MIS Quarterly, 23(2), 189‡213. [37] Kiron, D., Prentice, P. K. & Ferguson, R. B. (2012). Innovating With Analytics. MIT Sloan Management Review, 54(1), 47‡51. [38] Lee, Y., Kozar, K. A. & Larsen, K. R. T. (2003). The technology acceptance model: Past, present and the future. Communi­cations of the AIS, 12(50), 752‡780. [39] Li, X. Po-An Hsieh, J. J. & Rai, A. (2013). Motivational differen­ces across post-acceptance information system usage be­haviors: An investigation in the business intelligence systems context. Information Systems Research, 24(3), 659‡682. [40] Marchand, D. A., Kettinger, W. J. & Rollins, J. D. (2001). In­formation orientation: The link to business performance. New York: Oxford University Press. [41] Negash, S. & Gray, P. (2008). Business intelligence. V F. Bur-stein & C. W. Holsapple (Eds.), Handbook on decision support systems 2 (str. 175‡193). Springer Berlin, Heidelberg. [42] Olszak, C. M. & Ziemba, E. (2007). Approach to building and implementing business intelligence systems. Interdisciplina­ry Journal of Information, Knowledge, and Management, 2, 135‡148. [43] PopoviË, A., Coelho, P. S. & JakliË, J. (2009). The impact of business intelligence system maturity on information quality. Information Research, 14(4). [44] PopoviË, A., Hackney, R., Coelho, P. S. & JakliË, J. (2012). Towards business intelligence systems success: Effects of maturity and culture on analytical decision making. Decision Support Systems, 54(1), 729‡739. [45] Saga, V. L. & Zmud, R. W. (1994). The nature and determi­nants of IT acceptance, routinization, and infusion. V Levine, L. (ur.), Diffusion, transfer and implementation of information technology. Pittsburgh, PA: Software Engineering Institute, 67‡86. [46] Shanks, G., Bekmamedova, N., Adam, F. & Daly, M. (2012). Embedding business intelligence systems within organisati­ons. V A. Respício & F. Burstein (ur.), Fusing Decision Support Systems into the Fabric of the Context, Vol. 238, 113‡124, IOS Press. [47] Shin, D.-H. (2015). Demystifying big data: Anatomy of big data developmental process. Telecommunications Policy, http://dx.doi.org/10.1016/j.telpol.2015.03.007i. V tisku. [48] Taylor, S. & Todd, P. (1995). Assessing IT usage: The role of prior experience. MIS Quarterly, 19(4), 561‡570. [49] Venkatesh, V. (2000). Determinants of perceived ease of use. Integrating control, intrinsic motivation, and emotion into the technology acceptance model. Information Systems Rese­arch, 11(4), 342‡365. [50] Venkatesh, V. & Davis, F. (2000). A theoretical extension of the technology acceptance model: Four longitudinal field studi­es. Management Science, 46(2), 186‡204. [51] Venkatesh, V., Morris, M. G., Davis, G. B. & Davis, F. D. (2003). User acceptance of information technology: Towards a unifi­ed view, MIS Quarterly, 27(3), 425‡478. [52] Venkatesh, V. & Bala, H. (2008). Technology acceptance mo­del 3 and a research agenda on interventions. Decision Sci­ences, 39(2), 273‡315. [53] Venkatesh, V., Brown, S. A. & Maruping, L. M., Bala, H. (2008). Predicting different conceptualizations of system use: The competing roles of behavioral intention, facilitating conditions, and behavioral expectation. MIS Quarterly, 32(3), 483‡502. [54] Wixom, H. B., Watson, H., Reynolds, A. M. & Hoffer, J. A. (2008). Continental airlines continues to soar with business in­telligence. Information Systems Management, 25(2), 102‡112. [55] Wixom, H. B. & Watson, H. J. (2001). An empirical investi­gation of the factors affecting data warehouse success. MIS Quarterly, 25(1), 17‡41. [56] Wixom, H. B. & Watson, H. (2010). The BI based organization. International Journal of Business Intelligence Research, 1(1), 13‡28. [57] Yeoh, W. & Koronios, A. (2010). Critical success factors for business intelligence systems. Journal of Computer Informa­tion systems, 50(3), 23‡32. • Tanja Grublje.iË je asistentka na Ekonomski fakulteti Univerze v Ljubljani, kjer je konËala univerzitetni .tudijski program Ekonomija, smer za menedament in orga­nizacijo, znanstveni magistrski program Mednarodna ekonomija in doktorski .tudijski program, smer Informacijsko -upravljavske vede. Njena bibliografija obsega devet izvirnih znanstvenih Ëlankov, objavila pa je tudi devet prispevkov na mednarodnih in domaËih konfer encah. Njeni raziskovalni in uËni interesi vkljuËujejo podroËja sprejemanja, privzemanja, vpetosti, uporabe in uspeha poslovnointeligenËnih sistemov v organizacijah. Uporaba druabenih medijev v slovenskih podjetjih Marjeta Marolt, Gregor Lenart, Andreja Pucihar Univerza v Maribor u, Fakulteta za organizacijske vede, KidriËeva cesta 55a, 4000 Kranj Marjeta.Mar olt@fov.uni-mb.si; Gregor.Lenart@fov.uni-mb.si; Andreja.Pucihar@fov.uni-mb.si IzvleËek Druabeni mediji prina.ajo podjetjem .tevilne priloanosti, saj omogoËajo uËinkovito podporo komunikaciji med razliËnimi deleaniki. Zaradi hitrega razvoja in vsakodnevnega pojavljanja novih druabenih medijev se podjetja sooËajo s .tevilnimi izzivi pri izboru in uporabi najbolj primernih druabenih medijev za poslovne namene. Kljub temu da so slovenska podjetja prisotna na najbolj priljubljenih druabenih medijih (npr. Facebook, Twitter, Linke­dIn), se posluaujejo mikroblogov (npr. Twitter), multimedijskih skupnosti (npr. YouTube, Flickr) in wikijev za pridobivanje in deljenje znanja, se mnoga .e vedno ne zavedajo vseh priloanosti, ki jih ponujajo druabeni mediji. V prispevku najprej predstavljamo pregled druabenih medijev in priloanosti njihove uporabe v poslovne namene. Nato na podlagi podatkov, ki so dostopni na spletni strani StatistiËnega urada Republike Sloveni­je predstavljamo uporabo druabenih medijev v slovenskih podjetjih. Nadalje analiziramo uporabo najpopular nej.ih druabenih medijev med dvanajsti­mi izbranimi podjetji razliËnih velikosti. Na podlagi ugotovitev podajamo slovenskim podjetjem priporoËila za uËinkovitej.o uporabo druabenih me­dijev v poslovne namene. KljuËne besede: druabeni mediji, poslovna uporaba, Slovenija, podjetja. Abstract Use of social media in Slovenian enterprises Social media offers numerous opportunities to enterprises by providing an effective method to support communication between the parties in­volved. The rapid evolution of social media and the emergence of innovations makes it difficult for enterprises to select the most appropriate social media for a certain purpose. Although certain companies in Slovenia are present in the most popular social networks (e.g. Facebook and Linkedin) while some even use microblogs (e.g. Twitter), content sharing websites (like YouTube, Flickr), and wikis for the generation of knowled­ge and sharing, many still are not aware of the potential of social media. This paper contains an overview of the application of social media for commer cial purposes. Based on data by the Statistical office of the Republic of Slovenia, we have outlined the situation regarding the use of social media among Slovenian enterprises. In addition, we have analysed the use of the most popular social media sites among 12 enterprises of different sizes. Based on the findings, we have provided recommendations for a more efficient use of social media for commercial purposes. Keywords: social media, use, business purpose, Slovenia, enterprises. 1 UVOD V zadnjih dveh desetletjih so druabeni mediji korenito preo­blikovali naËin komuniciranja med ljudmi in ponujajo podje­tjem priloanost za bolj.e poslovanje (McAfee, 2006). Druabeni mediji pomenijo za zaposlene, dobavitelje, partner­je, stranke in druge deleanike nov naËin sporoËanja, sodelo­vanja, deljenja znanja in kreiranja idej (McNamee, Schoch, Oelschlaeger, & Huskey, 2010). NajveËji druabeni medij Fa­cebook ima danes ae veË kot 1,55 milijarde uporabnikov, Twi­tter 316 milijonov (Statista, 2015) in YouTube pribliano mili­jardo uporabnikov (Youtube, 2015). Tudi v Sloveniji je raz.irjenost uporabe druabenih medijev velika, ocenjujejo, da ima 60 odstotkov vseh internetnih uporabnikov svoj profil na druabenih medijih (Vehovar idr., 2011). Veliko .tevilo uporabnikov privablja na druabene medije tudi vedno veË podjetij, ki aelijo uporabiti druabene medije za traenje svojih izdelkov in storitev (Kane, 2015). Hiter razvoj tega podroËja in stalno pojavljanje novih druabenih medijev oteaujeta pod­jetjem izbor najbolj primernih druabenih medijev za doloËen poslovni namen. Le prava izbira in uporaba druabenih medi­jev, osnovana na strategiji, namreË lahko privede do konku­renËne prednosti in ustvari nove poslovne priloanosti (Ka­plan & Haenlein, 2010; McAfee, 2006). Obstajajo .tevilne opredelitve druabenih medijev, od tehnolo.kih do bolj vsebinsko osredinjenih defini­cij. V tem prispevku druabene medije razumemo kot .skupek internetnih aplikacij, ki temeljijo na koncep­tih spleta 2.0 in omogoËajo ustvarjanje ter izmenjavo vsebin med uporabniki« (Kaplan & Haenlein, 2010). Avtorji druabene medije razliËno razvr.Ëajo. Najbolj znano razvrstitev druabenih medijev sta predlagala Kaplan in Haenlein (2010). Avtorja sicer zagovarjata, da ne obstaja neki sistematiËen naËin, po katerem bi lahko razvrstili druabene medije, kljub temu pa sta druabene medije razvrstila v .est skupin: blogi (angl. blogs), strani za druabena omreaja (angl. social net­working sites), virtualni druabeni svetovi (angl. vir­tual social words), skupinski projekti (angl. collabo­rative projects), vsebinske skupnosti (angl. content communities) in svetovi virtualnih iger (angl. virtual game worlds). Poleg tega lahko loËimo tudi dve vr­sti druabenih medijev, in sicer javne druabene me­dije in druabene medije, namenjene podjetjem. Javni druabeni mediji obiËajno niso plaËljivi, namenjeni so .ir.i javnosti in dostopni prek interneta, medtem ko druabene medije, namenjene podjetjem, uporablja­jo zaposleni in so obiËajno dostopni prek intraneta (Wang & Kobsa, 2009). Druabeni mediji so bili v prvi vrsti namenjeni po­sameznikom. Podjetja so .ele v zadnjem desetletju zaËela izkori.Ëati druabene medije za razliËne po­slovne namene. ©tevilni druabeni mediji so namenje­ni sporoËanju in sodelovanju (Lai & Turban, 2008). Druabeni mediji omogoËajo tudi vzpostavljanje splet­nih skupnosti in preprost dostop do strokovnjakov (McAfee, 2009). Nadalje druabeni mediji podpirajo sporoËanje med zaposlenimi, kar po mnenju Moli­na­Morales & Martínez­Fernández (2010) spodbuja inovacije v podjetjih. Poleg tega uporaba druabenih medijev poenostavlja skupno gradnjo znanja in omo­goËa uËinkovit prenos znanja (Kim, Jeong, & Lee, 2010; McNamee idr., 2010). Ne smemo pozabiti, da druabeni mediji podjetjem zagotavljajo dodatne ka­nale za traenje in menedament odnosov s strankami (Wilson, 2009), so dodaten vir informacij pri zapo­slovanju ter olaj.ajo uvajanje novih zaposlenih (Kim idr., 2010). Druabeni mediji prina.ajo .tevilne prednosti za podjetja, kot so npr. bolj.a prepoznavnost blagovne znamke, dostopnost do informacij, dialog z stran­kami in zaposlenimi (Postman, 2009). ©tevilna pod­jetja zato aktivno uvajajo druabene medije (Kiron, Palmer, Nguyen Phillips, & Berkman, 2013), vendar veËji delea teh podjetij .ele odkriva moanosti upora­be druaabnih medijev in se ne zaveda pomembnosti strate.kega pristopa pri njihovi uporabi. Poleg tega obstajajo .tevilni in raznoliki druabeni mediji, ki se med seboj razlikujejo predvsem glede na svoj domet in funkcionalnost (Kietzmann, Hermkens, McCarthy, & Silvestre, 2011). Izbrati najbolj ustrezen druabeni medij za doloËen namen pomeni za .tevilna podjetja svojevrsten izziv. Namen tega prispevka je na sistematiËno predsta­viti druabene medije in razliËne poslovne namene, za katere jih lahko uporabljajo podjetja. Poleg tega aelimo predstaviti trenutno uporabo druabenih me­dijev v slovenskih podjetjih ter podati smernice za uspe.no sprejetje in uporabo druabenih medijev v poslovne namene. 2 DRUABENI MEDIJI Pomembno je, da imajo podjetja pregled nad .tevilnimi in raznolikimi druabenimi mediji in vedo, kateri druabeni mediji so primerni za doloËene po­slovne namene. Le tako bodo v podjetjih lahko iz­brali najbolj primeren druabeni medij. V nadaljeva­nju bo najprej sistematiËno predstavljena razvrstitev druabenih medijev, sledila bo predstavitev uporabe druabenih medijev v podjetjih, ki jih navaja strokov­na in znanstvena literatura. 3 RAZDELITEV DRUABENIH MEDIJEV Poleg razdelitve druabenih medijev, ki sta jo predlaga­la Kaplan in Haenlein (2010), obstajajo .e .tevilne dru­ge. Med bolj znanimi sta .e razdelitvi, ki so ju pred­lagali Kietzmann idr. (2011) in Solis (2010). Po Kietz­mann idr. (2011) razdelitev temelji na satastem okviru (angl. Honeycomb fremework), ki ga sestavlja sedem funkcionalnih gradnikov druabenih medijev: identite­ta, pogovor, deljenje, prisotnost, odnos, ugled in sku­pine. Razdelitev, ki jo predlaga Solis (2010), pa je bolj strukturirana in podrobna, saj aeli prikazati celovit pogled na druabene medije. Poimenuje jo pogovorna prizma (angl. Conversation prism). Ta razdelitev raz­likuje osemindvajset vrst druabenih medijev. Pri raz­delitvi druabenih medijev, ki jo predlagamo v nada­ljevanju, smo izhajali iz zgoraj omenjenih razdelitev. • Druabena, strokovna in lokacijska omreaja so zelo popularna vrsta spletnih strani, ki omogoËajo uporabnikom deljenje informacij, izraaati mnenja in stali.Ëa na obstojeËe objave, ocenjevanje (npr. Facebook, LinedIn), prijavo v priljubljene lokaci­je, iskanje ljudi in krajev ali branje ocen uporabni­kov in njihovih predlogov (npr. Foursquare). • Blogi so posebna vrsta spletnih strani, ki jo lahko primerjamo z osebno spletno stranjo. ObiËajno so na blogu objavljeni prispevki in mnenja neke ose­be, bralcem pa je omogoËeno izraaanje mnenj v komentarjih. • Mikroblogi so strani, ki podpirajo izmenjavo krat­kih sporoËil (npr. Twiter) ali multimedijskih vse­bin (video, slika, zvok). • Vsebinske skupnosti so vrsta spletnih strani, ki omogoËajo uporabnikom deljenje razliËnih vrst vsebin, kot so slike (Flickr), video posnetki (You­Tube) in predstavitve (Slideshare). • Skupinski projekti so vrsta druabenih medi­jev, ki omogoËajo, da uporabniki soustvarjajo in zdruaujejo vsebino na spletu (npr. wiki, druabeni zaznamki, zdruaevalniki). • Virtualni druabeni svetovi in svetovi virtualnih iger so vrste medijev, ki omogoËajo uporabnikom interakcijo v simuliranem tridimenzionalnem okolju (npr. Second Life, World of Warcraft, Mi­necraft). UPORABA DRUABENIH MEDIJEV V POSL OVNE NAMENE Podjetja uporabljajo druabene medije za razliËne po­slovne namene. »e aelijo izkoristiti potenciale, ki jih ponujajo druabeni mediji, morajo razumeti, kako jih je mogoËe uporabljati (Vuori, 2012). To poglavje po­nuja pregled uporabe druabenih medijev v poslovne namene, izpostavljene v znanstveni in strokovni li­teraturi. ©tevilna podjetja druabene medije izkori.Ëajo za uËinkovitej.e sporoËanje in sodelovanje, tako med zaposlenimi, partnerji, strankami in dobavitelji (Kim idr., 2010). Kot primer lahko navedemo druabena omreaja, ki omogoËajo deljenje informacij, znanja in idej med uporabniki neke skupnosti. Blogi pomenijo priloanosti za menedament, saj lahko ta deli razliËne zgodbe in informacije z zaposlenimi, tudi strategijo in vizijo (Postman, 2009). Blogi namreË omogoËajo bolj spontan kanal, prek katerega vzpostavi dialog med menedaerji in zaposlenimi (Wyld, 2008). Ne smemo pozabiti na nekatera wiki orodja in orodja za urejanje besedila, ki omogoËajo sledenje razliËicam in nadzorovan dostop do vsebin, ki jo soustvarjajo zaposleni, stranke, partnerji, dobavitelji in zunanji strokovnjaki. Molina­Morales in Martínez­Fernán­dez (2010) navajata, da je sodelovanje med zapo­slenimi pozitivno povezano z inovativnostjo pod­jetja. Enako velja tudi za vkljuËevanje strank prek druabenih medijev, saj tak naËin lahko skraj.a proces razvoja novega izdelka ali storitve. Nove kreativne ideje in re.itve lahko pridobijo tudi z vkljuËevanjem drugih deleanikov. Ne nazadnje lahko podjetja prek mikroblogov, druabenih zaznamkov in pododdaj obve.Ëajo uporabnike o spremembah vsebine na nji­hovih spletnih straneh. Druabeni mediji pogosto sluaijo tudi za vzposta­vitev skupnosti in mreaenje strokovnjakov na do­loËenih podroËjih. Za ta namen se trenutno podjetja najbolj posluaujejo poslovnega omreaja LinkedIn. K vzpostavitvi skupnosti pripomore tudi skupna upo­raba drugih druabenih medijev, kot so blogi, mikro­blogi in javna druabena omreaja, kot je npr. Facebook. Druabene medije lahko uporabimo tudi kot orodje za menedament znanja (Levy, 2009). Druabeni mediji namreË omogoËajo izkori.Ëanje druabenih povezav ter olaj.ajo zbiranje in posredovanje znanja (Kim idr., 2010; McNamee idr., 2010). Zelo uporabni so tudi wi­kiji, blogi in strani za druabena omreaja (Razmerita, Kirchner, & Sudzina, 2009). Formalno uËenje v podjetju lahko izvajamo prek druabenih medijev. Ti namreË po mnenju Glowatz in Bofin (2014) spodbujajo uËenje in veËje vkljuËevanje tako .tudentov kot zaposlenih. Najpogosteje druabene medije uporabljamo v traenju, prodaji in za menedament odnosov s stran­kami (Kiron idr., 2013). V ta namen podjetja upora­bljajo razliËne druabene medije, npr. prek blogov odgovarjajo strankam na vpra.anja o posameznem izdelku oziroma storitvi. Tako lahko olaj.ajo popro­dajne aktivnosti, predvsem glede podpore strankam. Mikroblogi so zelo uporabni za ustvarjanje brenËanja (angl. Buzz), objavljanja ponudb in dogodkov, med­tem ko druabena omreaja uporabljamo za vzposta­vitev in krepitev podobe blagovne znamke (Agniho­tri, Kothandaraman, Kashyap, & Singh, 2012). Zelo priljubljene so tudi strani za lokacijska omreaja, ki omogoËajo podjetjem ugotoviti, katere stranke se nahajajo na doloËenem obmoËju, ter brati njihove ocene in predloge. Podjetja lahko uporabljajo tudi vsebinske skupnosti, saj jim omogoËajo predstavitev njihovih proizvodov in storitev. Ne smemo pozabiti na svetove virtualnih iger, ki jih podjetja uporabljajo v traenjske namene. Druabene medije vse pogosteje uporabljamo za zaposlovanje, vkljuËitev in zadraevanje delavcev. Strani za druabena omreaja uporabljamo za objave prostih delovnih mest, medtem ko strani za strokov­na omreaja uporabljamo za iskanje dodatnih infor­macij o kandidatih (Wilson, 2009). Uporaba blogov in wikijev lahko skraj.a proces vkljuËevanja novega delavca, predvsem v smislu omogoËanja dostopa do uporabnih informacij, ki se veaejo na organizacijsko kulturo. Podjetje s spodbujanjem uporabe druabenih medijev, predvsem internih, lahko pripomorejo k temu, da delavce zadraijo v podjetju dlje Ëasa (Koch, Gonzalez, & Leidner, 2012). UPORABA DRUABENIH MEDIJEV V SLOVENSKIH PODJETJIH Uporabo druabenih medijev v slovenskih podje­tjih smo analizirali s pomoËjo podatkov o uporabi druabenih medijev v podjetjih, ki sta jih zbrala Stati­stiËni urad Republike Slovenije (SURS, 2015) in Euro­stat (Eurostat, 2015). Podatki s spletne strani StatistiËnega urada Re­publike Slovenije (SURS, 2015) so bili pridobljeni za leto 2015. V raziskavi, ki jo izvedel StatistiËni urad RS, je sodelovalo 5.206 malih, 1.054 srednje velikih in 206 velikih podjetij. Tabela 1 prikazuje delea uporabe druabenih medijev glede na namen in .tevilo zapo­slenih. Slovenska podjetja najpogosteje uporabljajo drua­bene medije za traenje izdelkov in storitev ali krepi­tev podobe podjetja (28‡58 %), pridobivanje mnenj strank (18‡48 %), zaposlovanje novih sodelavcev (8‡23 %), sodelovanje s partnerji (7‡10 %) in vkljuËe­vanje strank v razvoj izdelkov (6‡15 %) (SURS, 2015). Zanimiv je tudi podatek, da je leta 2013 od vseh pod­jetij, ki so uporabljali druabene medije, le 4 odstotke mikro, 7 odstotkov malih, 9 odstotkov srednje veli­kih in 24 odstotkov velikih podjetij imelo formalno doloËeno strategijo za uporabo druabenih medijev (SURS, 2015). Za primerjavo raz.irjenosti uporabe druabenih medijev v slovenskih podjetjih s podjetji v Evropi smo uporabili podatke Eurostata (Eurostat, 2015), ki zbira primerljive podatke iz vseh draav Evropske unije. Na sliki 1 je prikazana raz.irjenost uporabe druabenih medijev v podjetjih v draavah Evropske unije. Iz gra­fa je razvidno, da je v povpreËju raz.irjenost uporabe druabenih medijev v slovenskih podjetjih veËja kot v osemindvajsetih draavah Evropske unije, vendar manj.a kot v najbolj razvitih draavah. Iz slike 1 lah­ko razberemo, da je uporaba druabenih medijev v podjetjih v Evropi bolj raz.irjena v velikih podjetjih v primerjavi s srednjimi in malimi podjetji. Primer­java raz.irjenosti uporabe druabenih medijev v slo­venskih podjetjih je pokazala, da slovenska podjetja nekoliko zaostajajo v raz.irjenosti uporabi druabenih medijev v primerjavi z najbolj razvitimi draavami, kot so Islandija, Norve.ka, Irska, Nizozemska, ©ved­ska in Velika Britanija. Zaostanek ni velik in je pri­merljiv z nekaterimi nam bliajimi draavami, kot so Avstrija, Hrva.ka ali NemËija. Tabela 1: Uporaba druabenih medijev v podjetjih v letu 2015 (SURS, 2015) Slika 1: Raz.irjenost uporabe druabenih medijev v draavah Evropske skupnosti (Eurostat, 2015) Velikost podjetja 10‡49 zaposlenih 50‡249 zaposlenih 250 ali veË zaposlenih Uporaba v % Podjetja uporabljajo druabene medije. 39,09 52,18 75,24 Podjetja imajo uporabni.ki profil na druaabnih omreajih. 37,84 49,62 70,39 Podjetja imajo svoj blog, uporabni.ki profil na mikroblogu. 7,97 13,00 30,10 Podjetja imajo profil na spletnih straneh za delitev multimedijskih vsebin. 11,70 21,06 47,09 Podjetja uporabljajo Wiki orodja za izmenjavo znanj. 2,31 2,47 8,25 Podjetja uporabljajo druabene medije za razvoj celostne podobe podjetja ali traenje 28,54 40,51 58,25 izdelkov ali storitev. Podjetja uporabljajo druabene medijev za pridobivanje mnenj ali za odgovarjanje na mnenja, 18,96 25,62 40,78 ocene strank. Podjetja uporabljajo druabene medije za vkljuËitev strank v razvoj, inovacijo izdelkov ali storitev. 6,45 9,11 15,05 Podjetja uporabljajo druabene medije za sodelovanje s poslovnimi partnerji (npr. 7,47 10,91 10,68 dobavitelji) ali z drugimi organizacijami (npr. javno upravo). Podjetja uporabljajo druabene medije za novaËenje, zaposlovanje. 8,93 14,04 23,79 Podjetja uporabljajo druabene medije za izmenjavo stali.Ë, mnenj znotraj podjetja. 8,55 11,01 16,50 Ker zbirni statistiËni podatki ne omogoËajo po­drobnega vpogleda v dejansko uporabo druabenih medijev, smo nadalje raziskali, kako podjetja dejan­sko uporabljajo druabene medije glede na priporoËi­la za izvedbo analize uporabe druabenih medijev v podjetjih (Quesenberry, 2015). Analizirali smo, kako izbrana podjetja uporabljajo najbolj raz.irjene druabene medije Facebook, Twitter in YouTube. Izbrali smo dvanajst podjetij razliËnih ve­likosti (po tri mikro, mala, srednje velika in velika), ki imajo aktiven vsaj en profil na omenjenih druabenih medijih. Pri tem smo bili pozorni, da smo zajeli pod­jetja, ki so usmerjena v storitveno dejavnost, kot tudi podjetja, ki so usmerjena v proizvodno dejavnost. Omejili smo se na mesec oktober 2015. Za vsakega od izbranih druabenih medijev smo doloËili merila, po katerih smo analizirali aktivnost posameznega podjetja. Pri Facebooku smo analizirali .tevilo objav, .tevilo v.eËkov in .tevilo komentarjev. Pri Twitterju smo analizirali .tevilo tvitov (objav), .tevilo sledilcev, .tevilo oseb, ki jim sledimo, .tevilo retvitov (objavo, ki se nam zdi zanimiva ali uporab­na, delimo z na.imi sledilci) in .tevilo odgovorov na tvit (objavo, ki jo je ustvarilo podjetje). Pri YouTubu smo analizirali .tevilo ogledov, .tevilo videov, .tevilo v.eËkov in .tevilo komentarjev. V tabeli 2 je prikaza­na analiza uporabe prouËevanih druabenih medijev za izbrana podjetja. Analiza uporabe izbranih druabenih medijev med mikro in malimi podjetji je pokazala, da so slo­venska podjetja najbolj aktivna na Facebooku, sledi Twitter in nazadnje YouTube. Pri srednje velikih in velikih podjetjih pa lahko opazimo, da je uporaba prouËevanih druabenih medijev bolj uravnoteaena, kar lahko pojasnimo z bolj sistematiËnim pristopom upravljanja razliËnih marketin.kih kanalov, ki je bolj znaËilen za veËja podjetja. Tako lahko zasledimo usklajene objave vsebin v razliËnih medijih za posa­mezno prouËevano podjetje. »e primerjamo uporabo druabenih medijev gle­de na velikost podjetja, ugotavljamo, da so na Face­booku bolj aktivna mikro podjetja, saj so v povpreËju objavila vsaj tri objave na teden, medtem ko so anali­zirana mala, srednja in velika podjetja objavila v pov­preËju najveË tri objave na teden. Nadalje smo pogle­dali, kak.ne objave so prejele najveË v.eËkov in ko­mentarjev. Vidimo lahko, da obstaja povezava med .tevilom v.eËkov in komentarji. To pomeni, da veËje .tevilo v.eËkov vpliva tudi na komentiranje neke ob­jave. Sicer je komentarjev bistveno manj kot v.eËkov, kar je moËno povezano s pripravljenostjo sledilcev k sodelovanju v razpravi. Pri tem ni opaziti bistve­nih razlik med podjetji, ki so usmerjeni v storitve­no dejavnost in proizvodnimi podjetji. Podrobnej.a analiza objav, ki so prejela veËje .tevilo v.eËkov in komentarjev je pokazala, da gre za objave, ki imajo Tabela 2: Analiza uporabe druabenih medijev v izbranih slovenskih podjetjih za oktober 2015 Vrsta podjetja Facebook Twitter YouTube Velikost Dejavnost ©t. ©t. ©t. ©t. ©t. ©t. oseb, ©t. ©t. Skup. Skup. ©t. podjetja objav v.eËkov kom. tvitov sledilcev ki jim sledijo retvitov videov .t. videov .t. ogledov naroË. Mikro Izdelava unikatnih 16 646 29 ‡ 58 75 ‡ ‡ ‡ ‡ ‡ izdelkov/proizvodno Mikro Gostinstvo/storitveno 11 796 27 18 630 578 4 ‡ ‡ ‡ ‡ Mikro Fotografija/storitveno 50 1982 86 ‡ 8 12 ‡ ‡ 1 75 11 Malo Predelava plastiËnih 12 485 14 ‡ 34 35 ‡ ‡ 3 1.858 5 mas/proizvodno Malo Gostinstvo/storitveno 10 335 8 ‡ 133 225 ‡ 1 10 10.535 12 Malo Prevozi/storitveno 4 120 1 1 987 990 ‡ ‡ 3 68.696 13 Srednje Farmacija/trgovina 11 109 1 ‡ ‡ ‡ ‡ ‡ 25 10.973 9 Srednje Avtomobili/trgovina 7 524 29 7 256 44 ‡ 12 13 93 1 Srednje Okna/proizvodno 4 60 3 ‡ ‡ ‡ ‡ ‡ 19 44.000 23 Veliko Bela tehnika/pr oizvodno 6 269 145 5 419 38 ‡ 2 100+ 100.000+ 655 Veliko Trgovina 7 494 14 72 3459 1027 20 ‡ 200+ 200.000+ 237 Veliko Energenti/trgovina 11 110 26 7 929 20 ‡ ‡ 96 200.000+ 69 poleg slike tudi besedilo, ki se navezuje na to sliko. MoËno izstopajo objave, ki se navezujejo na donacije podjetja, zgodbe o zadovoljstvu strank, promocijske akcije in na razliËne dogodke. »e pogledamo aktivnosti malih in srednje veli­kih podjetij na Twitterju, lahko ugotovimo, da so ta bistveno manj aktivna. VeËina analiziranih podjetij (razen dveh), ki imajo Facebook profil, imajo tudi Twitter profil. Le polovica analiziranih podjetij je ob­javila vsaj en tvit v mesecu oktobru. Zanimivo je, da je podjetje, ki ima najveË sledilcev, objavilo samo en tvit, medtem ko je podjetje, ki ima 337 manj sledilcev, objavilo v mesecu oktobru 18 tvitov. Za srednja in ve­lika podjetja ugotavljamo bolj uravnoteaeno uporabo razliËnih druabenih medijev, tako da je .tevilo objav enakomerno porazdeljeno med Facebook in Twitter. Nadalje ugotavljamo, da so podjetja, ki so bila najbolj aktivna na Twitterju, objavljala enako vsebino, kot so objavili na Facebooku. YouTube je druabeni medij, pri katerem opaaamo, da analizirana mala in mikro podjetja v obdobju na.ega opazovanja niso bila aktivna. Le tretjina analiziranih mikro podjetij ima profil na YouTubu, medtem ko imajo vsa analizirana mala podjetja na tem mediju svoj profil. Le eno od prouËevanih mikro podjetij je objavilo video v mesecu oktobru, in .e ta je imel le 17 ogledov, brez komentarjev in v.eËkov. Tu opaaamo veËjo aktivnost malih podjetij v primerjavi z mikro podjetji, saj imajo bistveno veË objavljenih vi­deov. VeËja aktivnost na druabenem mediju YouTube je znaËilna za srednja in velika podjetja, ki izkori.Ëajo ta popularni medij za distribucijo promocijskih vi­deo vsebin prek svetovnega spleta. VeËjo uporabo druabenega medija YouTube v veËjih podjetjih lahko pojasnimo tudi s tem, da priprava kakovostnih pro­mocijskih video spotov zahteva precej.na sredstva, ki jih imajo na voljo v veËini veËja podjetja. Uporaba YouTube druabenega medija v velikih organizacijah je zelo uspe.na, saj imajo nekateri promocijski video posnetki veË kot 100.000 ogledov. 6 PRIPORO»ILA ZA SLOVENSKA PODJETJA Uspe.na uporaba druabenih medijev v poslovne namene je pogojena s formalno doloËeno strategi­jo, ki vkljuËuje smernice za upravljanje in uporabo druabenih medijev. Poleg tega morajo biti podjetja .e posebno pozorna na elektronsko komunikacijo od .ust do ust«. Prepoznati morajo negativno komuni­kacijo .od ust do ust« in se ustrezno odzvati nanjo. Za uËinkovito uporabo druabenih medijev lahko podjetja za vse aktivnosti, povezane z druabenimi mediji, najamejo zunanje strokovnjake, lahko ima­jo oddelek, ki se ukvarja z druabenimi mediji, ali vsaj vodjo, ki je odgovoren za aktivnosti, poveza­ne z druabenimi mediji (Montalvo, 2011). Podjetja, ki aelijo druabene medije integrirati z zalednimi sistemi (npr. z re.itvami za menedament odnosov s strankami ‡ CRM), potrebujejo tudi ustrezna teh­niËna znanja oziroma za to najamejo zunanje stro­kovnjake. KljuËnega pomena je formalno doloËena strate­gija. Po mnenju Kirona idr. (2013) je prav neoprede­ljena strategija eden izmed glavnih dejavnikov, za­kaj podjetja .e vedno ne izkori.Ëajo vseh moanosti, ki jih ponujajo druabeni mediji. Strategija mora vkljuËevati doloËene cilje, ki jih aeli podjetje doseËi z uporabo druabenih medijev, kot na primer promo­viranje blagovne znamke, interakcija s strankami in potencialnimi strankami, traenje novega proizvoda, kreiranje novih inovativnih idej ipd. Pri tem mora biti podjetje pozorno, da so cilji razumljivi, realni, merljivi in izvedljivi v doglednem Ëasu. SoËasno z vzpostavitvijo ciljev pa mora podjetje doloËiti tudi ciljno obËinstvo. Pomembno je, da ima podjetje pregled nad ciljnimi skupinami, ki jih aeli doseËi prek druabenih medijev, katerim druabenim medi­jem dajejo te skupine prednost, kaj berejo, delijo in objavljajo. Podjetja morajo spremljati aktivnosti na druabenih omreajih glede na veË dejavnikov: • kdo komunicira prek druabenega medija (podje­tje, stranka, konkurenca), • kje ‡ na katerem druabenem mediju poteka ko­munikacija (Facebook, Twitter, YouTube), • kaj ‡ kak.na vsebina se objavlja v druabenem me­diju in ali je vsebina pozitivna ali negativna, • kdaj ‡ kak.na je frekvenca objav in aktivnosti na posameznem druabenem mediju ‡ .tevilo objav, .tevilo v.eËkov, • zakaj ‡ opredelitev namena, kaj aelimo doseËi s sporoËilom (promocija, re.evanje reklamacij in pritoab); opredeliti je treba kljuËne dejavnike uspeha za vsak druabeni medij, • izziv/priloanost ‡ podamo oceno, ki opredeli kak.en izziv/priloanost pomeni posamezna ak­tivnost na druabenem mediju. V tabeli 3 je podana predloga za spremljanje aktivnosti na druabenih medijih. Glede na podano oceno izziva/priloanosti obli­kujemo ukrepe, ki jih umestimo v celotno strategijo uporabe druabenega medija v podjetju. Ko podjetje opredeli cilje, ki jih aeli doseËi z upo­rabo druabenih medijev, in ciljne skupine, mora iz­brati ustrezne druabene medije. Ker obstaja zelo .irok nabor druabenih medijev, je bolje, da podjetje za zaËetek izbere le nekaj druabenih medijev. Pri tem naj upo.teva postavljene cilje in ciljne skupine. Vsak druabeni medij ima svoje funkcionalnosti in doloËe­na vsebina je lahko primerna le za nekatere druabene medije, ne pa za vse (Kietzmann idr., 2011). Na pri­mer, Ëe aelimo, da se neka novica hitro raz.iri, po­tem je najbolj primerno, da jo objavimo na Twitterju, medtem ko je Facebook bolj primeren za vsebino, ki bo spodbudila vkljuËevanje ljudi v komunikacijo. Tudi vsebina in pogostost objav na druabenih me­dijih je zelo pomembna in je predvsem odvisna od ciljev in druabenega medija, na katerem bo vsebina objavljena. Po izboru najprimernej.ih druabenih medijev, vsebin in doloËitvi pogostosti objav mora podje­tje vzpostaviti prisotnost na druabenih medijih. To ne pomeni, da ima le profil na druabenih medijih, ampak da je na njih tudi aktivno. Poleg objavljanja vsebine naj podjetje dnevno preverja aktivnosti na druabenih medijih, kar se da dosledno odgovar­ja na mnenja in vpra.anja uporabnikov, i.Ëe nove privraence ter sledi pogovorom med ljudmi v zvezi z njegovo blagovno znamko oz. izdelki ali storitvami. Z aktivnim pristopom lahko podjetje priËakuje, da se bo njegova prisotnost na druabenih medijih poveËa­la. Ko to postane neobvladljivo za nekoga, ki samo del svojega delovnega Ëasa namenja aktivnostim na druabenih medijih, mora podjetje razmisliti o delov­nem mestu, ki bo v celoti namenjeno upravljanju druabenih medijev ali najemu tovrstnih storitev pri zunanjem ponudniku. Tabela 3: Predloga za spremljanje aktivnosti na druabenih medijih KDO KJE KAJ KDAJ ZAKAJ IZZIV/PRILOANOST (druabeni medij) (vsebina) (poslovni) Podjetje Stranke Konkurenca (Prirejeno po: Quesenberry, 2015) Pri upravljanju druabenih medijev se lahko podjetje posluauje .tevilnih orodij za upravljanje druabenih medijev (npr. Hootsuite, Buffer, Tweet­Deck, Socialflow, Sproutsocial, SocialBro). Ta orodja omogoËajo vkljuËevanje vsebine, poslu.anje, analize in sodelovanje. Nekatera orodja so prosto dostopna, tista s .ir.im spektrom funkcionalnosti pa so dosto­pna po dokaj ugodni ceni. Ne smemo pozabiti, da mora podjetje za zapo­slene pripraviti jasna navodila, kako naj uporabljajo druabene medije v poslovne namene. Izobraaevanje in vkljuËevanje zaposlenih v poslovno uporabo druabenih medijev je kljuËnega pomena za uspe.no uporabo. Le tako bo podjetje zagotovilo, da bodo za­posleni sledili enotnim pravilom komuniciranja na druabenih omreajih in da ne bodo izdajali poslovnih skrivnosti, podajali negativnih in aaljivih odgovorov strankam itd. Poleg tega se morajo vsi zaposleni za­vedati, da je bistvo druabenih medijev vsebina, in to ne kakr.na koli, ampak taka, ki je ciljno naravnana in bo privabila novo obËinstvo ter potencialne in obsto­jeËe stranke. Dobro vsebino lahko pripravimo le, Ëe dobro prisluhnemo strankam. 7 SKLEP PoroËila razliËnih svetovalnih in raziskovalnih pod­jetij zadnjih nekaj let kaaejo, da se podjetja vedno po­gosteje posluaujejo druabenih medijev. Obstaja .irok nabor druabenih medijev, ki so primerni za upora­bo v poslovne namene. Primerni so za vsa podroËja poslovanja. Uporabljajo jih lahko zaposleni, da laaje sodelujejo med seboj, si delijo znanje in razvijajo uporabne ideje itd. Z uporabo druabenih medijev se lahko izbolj.ajo in pohitrijo procesi v podjetju. Ti se lahko raz.irijo tudi Ëez meje podjetja z namenom usklajevanja z zahtevami strank. Poleg tega lahko prek druabenih medijev spodbujamo vkljuËevanje strank, poveËamo njihova lojalnost in zmanj.amo operativne stro.ke. Formalno doloËena strategija druabenih medijev je podlaga za uspe.no uporabo druabenih medijev. Ko podjetja oblikujejo strategijo uporabe druabenih medijev, morajo upo.tevati veË vidikov (Kane, 2015): 1. Podjetje mora razumeti posamezni druabeni me­dij, da ga lahko koristno uporabi. Pomembno je odgovoriti na vpra.anji, kak.na ciljna skupina uporablja posamezni druabeni medij in ali za­posleni v podjetju uporabljajo izbrani druabeni medij. 2. »e podjetje ae uporablja druabeni medij, je tre­ba preveriti in oceniti, ali ga uporablja dobro. Pri tem se pojavlja vpra.anje, ali uporaba izbranega druabenega medija podpira doseganje zastavlje­nih poslovnih ciljev in kako. 3. Druabeni mediji so dodatni komunikacijski kanal, ki ne nadomesti vseh drugih (tradicionalnih). Da­nes druabeni mediji pomenijo nove moanosti ko­munikacije z okoljem, tako kot sta jih pred dvaj­setimi leti svetovni splet in e­po.ta. Pomembno se je zavedati, da te nove moanosti ne nadome.Ëajo, ampak samo dopolnjujejo ustaljene komunikacij­ske kanale podjetja. 4. Druabeni mediji so velika konkurenca starej.im tradicionalnim medijem. Potrebno je postopno in naËrtno uvajanje druabenih medijev z vkljuËeva­njem in usposabljanjem zaposlenih. Slediti je tre­ba trendom in se usmeriti v medije, ki vzbujajo najveË pozornosti izbranih ciljnih skupin. 5. Druabeni mediji so povezani z drugimi trendi na podroËju digitalne ekonomije (mobilno poslova­nje, raËunalni.tvo v oblaku, masovni podatki). Spremljanje druabenih medijev ni omejeno samo na vsebine, celovito je treba zbirati in analizirati podatke o navadah uporabnikov in pri tem upo­rabiti razpoloaljivo informacijsko tehnologijo. 6. Ni dovolj le poznavanje informacijskih tehnolo­gij za druabene medije, temveË je treba razumeti, kako jih vkljuËiti v poslovanje. Potrebno je celovi­to razumevanje, ne samo tehnologije, temveË tudi obna.anja in odzivanja uporabnikov v druabenih medijih. Le tako lahko organizacija priËakuje veËje koristi uporabe druabenih medijev in zmanj.anje tveganj, povezanih z uporabo druabenih medijev. Med slovenskimi podjetji ima le devet odstotkov podjetij formalno doloËeno strategijo, kar pomeni, da so podjetja .e vedno v zaËetni fazi naËrtovane in strate.ke uporabe druabenih medijev. Kljub temu pa lahko v prihodnjih letih priËakujemo porast upora­be druabenih medijev med slovenskimi podjetji, kar nakazujejo tudi zadnji podatki o uporabi druabenih medijev v slovenskih podjetjih za leto 2015 (Zupan, 2015). Posebno pozornost je treba nameniti vzposta­vitvi formalne strategije druabenih medijev, ki bo usklajena s poslovno strategijo. Le tako bodo podje­tja izkoristila ves potencial, ki jih ponujajo druabeni mediji. Osrediniti se bo treba na pripravo usmeritev in vlog zaposlenih, ki bodo vkljuËeni komunikacijo prek druabenih medijev. Zaposlene bo treba usposo­biti in vzpostaviti zavest, da je uporaba druabenih medijev pomembna za bolj.o prepoznavnost pod­jetja in poslediËno lahko celo bolj.e poslovanje. Ne nazadnje pa je pomembno, da je podjetje preudarno pri izbiri druabenih medijev, ki jih bo uporabilo v po­slovne namene. Pri izbiri naj podjetje upo.teva vse pomembne deleanike: stranke, konkurenco in zapo­slene v podjetju. Bistvo uporabe druabenih medijev je objavljanje vsebine, ki bo pritegnila ciljno skupino in poslu.anje strank in drugih deleanikov, ki prek druabenih me­dijev izraaajo mnenja glede izdelkov, storitev in znamk. Pomembno je, da na negativne objave in komentarje odgovorimo primerno in pravoËasno. Informacije, pridobljene iz pogovorov prek druabenih medijev lahko moËno vplivajo tako na poslovne od­loËitve podjetja kot tudi na odloËitev stranke o naku­pu. Vendar podjetja ne smejo pozabiti, da so vsebine, objavljene na druabenih medijih, lahko zavajajoËe, in morajo zato biti .e posebno previdna pri sprejemanju poslovnih odloËitev. 8 LITERATURA [1] Agnihotri, R., Kothandaraman, P., Kashyap, R., & Sin­gh, R. (2012). Bringing “Social” into Sales: The Impact of Salespeople’s Social Media Use on Service Behaviors and Value Creation. Journal of Personal Selling and Sales Mana­gement,32(3), 333‡348. doi:10.2753/PSS0885-3134320304. [2] Eurostat ‡ Statistical Office of the European Communities. (2015). EUROSTAT: Information society statistics: Computer and the internet in households and enterprises: Special mo­dule 2013: Enterprises ‡ use of social media. Luxembourg: Eurostat. [3] Glowatz, M., & Bofin, L. (2014). Enhancing Student Engage­ment Through Social Media A School of Business Case Stu­dy. V: The 27th Bled eConference (str. 90‡106). Pridobljeno 29. 5. 2015 s https://domino.fov.uni-mb.si/proceedings. [4] Kane, G. C. (2015). Enterprise Social Media: Current Capa­bilities and Future Possibilities, MIS Quaterly Executive, Vol. 14, No. 1., 1‡16. [5] Kaplan, A. M., & Haenlein, M. (2010). Users of the wor­ld, unite! The challenges and opportunities of Social Me­dia. Business Horizons, 53(1), 59‡68. doi:10.1016/j.bu­shor.2009.09.003. [6] Kietzmann, J. H., Hermkens, K., McCarthy, I. P., & Silvestre, B. S. (2011). Social media? Get serious! Understanding the functional building blocks of social media. Business Hori­zons, 54(3), 241‡251. doi:10.1016/j.bushor.2011.01.005. [7] Kim, W., Jeong, O.-R., & Lee, S.-W. (2010). On social Web sites. Information Systems, 35(2), 215‡236. doi:10.1016/j. is.2009.08.003. [8] Kiron, D., Palmer, D., Nguyen Phillips, A., & Berkman, R. (2013). Social Business: Shifting Out of First Gear | MIT Slo­an Management Review. Pridobljeno 20. 3. 2015 s http:// sloanreview.mit.edu/reports/shifting-social-business/. [9] Koch, H., Gonzalez, E., & Leidner, D. (2012). Bridging the work/social divide: the emotional response to organizational social networking sites. European Journal of Information Sy­stems, 21(6), 699‡717. doi:10.1057/ejis.2012.18. [10] Lai, L. S. L., & Turban, E. (2008). Groups Formation and Operations in the Web 2.0 Environment and Social Net­works. Group Decision and Negotiation, 17(5), 387‡402. doi:10.1007/s10726-008-9113-2. [11] Levy, M. (2009). WEB 2.0 implications on knowledge ma­nagement. Journal of Knowledge Management, 13(1), 120‡134. [12] McAfee, A. P. (2006). Enterprise 2.0: the dawn of emergent collaboration. MIT Sloan Management Review. MIT press. Pridobljeno 18. 2. 2015 s http://dialnet.unirioja.es/servlet/ar ticulo?codigo=1960088&info=resumen&idioma=ENG. [13] McAfee, A. P. (2009). Shattering the myths about Enterprise 2.0. Harvard Business Review, 87(11), 1‡6. [14] McNamee, R. C., Schoch, N., Oelschlaeger, P., & Huskey, L. (2010). Collaboration Continuum: Cultural and Technologi­cal Enablers of Knowledge Exchange. Research-Technology Management, 53(6), 54‡57. [15] Molina-Morales, F. X., & Martínez-Fer nández, M. T. (2010). Social Networks: Effects of Social Capital on Firm Innovati­on. Journal of Small Business Management, 48(2), 258‡279. doi:10.1111/j.1540-627X.2010.00294.x. [16] Montalvo, R. E. (2011). Social Media Management. Internati­onal Journal of Management & Information Systems (IJMIS), 15(3), 91‡96. [17] Postman, J. (2009). SocialCorp social media goes corpora­te. Berkeley, CA: New Riders. [18] Quesenberry, K. A. (2015). Conducting a Social Media Au­dit, Harvard Business Review, Pridobljeno 27. 11. 2015 s https://hbr.org/2015/11/conducting-a-social-media-audit. [19] Razmerita, L., Kirchner, K., & Sudzina, F. (2009). Personal knowledge management. Online Information Review, 33(6), 1021‡1039. doi:10.1108/14684520911010981. [20] Solis, B. (2010). Engage: The Complete Guide for Brands and Businesses to Build, Cultivate, and Measure Success in the New Web. Hoboken, NJ: John Wiley & Sons. [21] Statista (2015). Leading social networks worldwide as of November 2015, ranked by number of active users (in mil­lions). Pridobljeno 27. 11. 2015 s http://www.statista.com/ statistics/272014/global-social-networks-ranked-by-num­ber-of-users/. [22] SURS, (2015). SI-Stat podatkovni portal, StatistiËni urad Republike Slovenije. Pridobljeno 3. 6. 2015 s http://pxweb. stat.si/pxweb/Database/Ekonomsko/Ekonomsko.asp#29. [23] Vehovar, V., Jerman KuaeliËki, A., Lebar, L. (2011). Socialna omreaja 2011 (#94), Center za metodologijo in informatiko, Fakulteta za druabene vede, Univerza v Ljubljani, Ljublja­na. Pridobljeno 27. 11. 2015 s http://www.ris.org//uploadi/ editor/1307495011poroilo_spletneskupnosti.pdf. [24] Vuori, M. (2012). Exploring uses of social media in a global corporation. Journal of Systems and Information Technolo­gy, 14(2), 155‡170. doi:10.1108/13287261211232171. [25] Wang, Y., & Kobsa, A. (2009). Privacy in Online Social Ne­tworking at Workplace. V International Conference on Computational Science and Engineering, 2009 (Vol. 4, str. 975‡978). IEEE. doi:10.1109/CSE.2009.438. [26] Wilson, J. (2009). Social networking: the business case. En-[28] Youtube (2015). Statistics. Pridobljeno 27. 11. 2015 s https:// gineering & Technology, 4(10), 54‡56. www.youtube.com/yt/press/statistics.html. [27] Wyld, D. C. (2008). Management 2.0: a primer on blo-[29] Zupan, G. (2015). Uporaba informacijsko-komunikacijske gging for executives. Management Research News, 31(6), tehnologije v podjetjih, StatistiËni urad RS. Pridobljeno 27. 448‡483. doi:10.1108/01409170810876044. 11. 2015 s http://www.stat.si/StatWeb/prikazi-novico?id=55 10&idp=16&headerbar=14. • Marjeta Marolt je asistentka in raziskovalka, zaposlena na Fakulteti za organizacijske vede Univerze v Mariboru. Njeno raziskovalno podroËje zajema druabene medije in nove poslovne modele. Sodelovala je v veË domaËih in mednarodnih projektih s podroËja informacijskih sistemov. Trenutno je doktorska .tudentka na Fakulteti za organizacijske vede Univerze v Mariboru. V svojem doktorskem delu bo obravnavala sprejetje druabenega upravljanja odnosov s strankami in njegovega vpliva na uËinkovitost odnosov s strankami. • Gregor Lenart je vi.ji predavatelj za podroËje informacijskih sistemov na Fakulteti za organizacijske vede Univerze v Mariboru. Doktoriral je na podroËju menedamenta informacijskih sistemov. Njegova glavma podroËja raziskovanja so poslovni informacijski sistemi, celovite programske re.itve in informacijske tehnologije za e-poslovanje ter e-sodelovanje. V okviru fakultete je sodeloval v veË evropskih raziskovalnih projektih, kot so VE-Forum, mGBL, Seamless, Cen­tralab in Envision. • Andreja Pucihar je izredna profesorica na Fakulteti za organizacijske vede Univerze v Mariboru, kjer deluje na katedri za informatiko in je vodja laboratorija za e­-poslovanje. Njeno raziskovalno podroËje je usmerjeno na prouËevanje vplivov sodobnih informacijskih tehnologij na posameznike, organizacije in celotno druabo. Podrobneje prouËuje podroËje e-poslovanja, druabenih medijev, novih poslovnih modelov in inoviranja. Objavila je veË kot sto petdeset prispevkov v domaËih in mednarodnih revijah in na konferencah. Aktivno sodeluje na domaËih in mednarodnih raziskovalno-razvojnih projektih. VkljuËena je tudi v .tevilne odbore mednar odnih revij in konferenc. Od leta 2009 vodi mednarodno konferenco o e-poslovanju Bled eConfer ence (http://bledconfer ence.org). Gre za uveljavljeno in prepoznavno konferenco z najdalj.o tradicijo na tem podroËju raziskovanja. Nabor atributov za opisovanje medorganizacijske prodaje 1Marko Bohanec, 2Mirjana KljajiE Bor.tnar, 3Marko Robnik ©ikonja 1Salvirt, d. o. o., Dunajska cesta 136, 1000 Ljubljana 2Univerza v Maribor u, Fakulteta za organizacijske vede, KidriËeva 55a, 4000 Kranj 3Univerza v Ljubljani, Fakulteta za raËunalni.tvo in informatiko, VeËna pot 113, 1000 Ljubljana Marko.Bohanec@salvirt.com; Mirjana.Kljajic@fov.uni-mb.si; Marko.RobnikSikonja@fri.uni-lj.si IzvleËek Za re.itve na podroËju odkrivanja znanja in podpore odloËanju potrebujemo celovit opis konkretne domene raziskovanja, pri Ëemer si pomagamo z naborom atributov, ki vsebinsko odraaajo znaËilnosti prouËevane domene. V Ëlanku se osredinjamo na sestavo nabora atributov, ki vsebinsko opisujejo medorganizacijsko prodajo. »eprav je Ëlankov na to temo dokaj malo, smo uspeli sestaviti seznam z veË kot osemdesetimi atributi, razvr.Ëenimi v pet razliËnih skupin. Tak.en nabor sluai kot izhodi.Ëe za gradnjo modela za analizo medorganizacijske prodaje s pomoËjo tehnik strojnega uËenja. Glede na splo.nost nabora ga je v praksi priporoËljivo dopolniti z atributi, ki odraaajo posebnosti prodaje v konkretnem podjetju. Na praktiËnem primeru pokaaemo pomembnost atributov, pridobljeno s strojnim ocenjevanjem njihove kakovosti s stali.Ëa vpliva na zakljuËevanje poslov. KljuËne besede: medorganizacijska prodaja, strojno uËenje, modeliranje atributov, odkrivanje znanja, inaeniring znanja. Abstract A collection of attributes describing business-to -business (B2B) sales The key element for any solution in knowledge discover y and decision support is the appropriate description of a particular field or domain. A powerful set of attributes (features, descriptors) is needed to secur e descriptions of individual cases, which are as complete as possible. We created a list of attributes referenced in academic papers describing business-to-business sales opportunities. Furthermore, we collected a comprehensive list of more than 80 attributes divided into 5 different categories. This list serves as a starting point for B2B sales analyses using machine learning techniques. Given the generality of the list, it is open to further additions of attributes reflecting the specifics of sales organi­zations. We demonstrated the usability of the list with machine learning-based feature evaluation to assess the impact of attributes on sales opportunities outcomes. Keywords: business-to -business, B2B, machine learning, attribute modeling, knowledge discovery, knowledge engineering. 1 UVOD Delovanje metod strojnega uËenja je odvisno od kakovosti vhodnih podatkov, opisanih z atributi oz. njihovimi vrednost­mi. V Ëlanku se osredinjamo na medorganizacijsko (business­-to-business, B2B) prodajo, zato nas zanima seznam atribu­tov, ki vsebinsko opisujejo prodajne priloanosti. Medorgani­zacijska prodaja je zaradi bolj formaliziranih nakupnih proce­sov kompleksnej.a od prodaje konËnim kupcem posamezni­kom (v tuji literaturi oznaËena kot business-to -consumer, B2C). Pri pregledu akademske literature nismo na.li pregle­dnega nabora atributov, ki bi opisovali medorganizacijsko prodajo. Podobno neugoden rezultat smo dobili pri iskanju B2B uËne mnoaice na portalu UCI Machine Learning Reposi­tory, na katerem je sicer (trenutno) na voljo 335 uËnih mnoaic z razliËnih podroËij. To nas je motiviralo, da sami se­stavimo nabor znanih atributov in ga dopolnimo s svojimi predlogi. S pomoËjo spletnih iskalnikov, specializiranih za akademsko literaturo, smo pregledali veliko akademskih Ëlankov in raziskav. Zgrajeni nabor atributov omogoËa kako­vosten zapis kljuËnih znaËilnosti poslovnih priloanosti ter uporabo tehnik strojnega uËenja pri iskanju odgovorov na raziskovalna vpra.anja. Dobljena spoznanja bomo kot povrat­ne informacije posredovali prodajalcem v pomoË pri njihovih aktivnostih ter pri doloËanju prioritet med odprtimi prodajni­mi priloanostmi. Prispevek je vsebinsko povezan s .ir.o raziskavo modeliranja medorganizacijske prodaje s pomoËjo tehnik strojnega uËenja. V tem Ëlanku ne obrav­navamo .ir.ega konteksta, temveË se osredinjamo predvsem na zbiranje relevantnih atributov. VeË o .ir.i raziskavi je na voljo v objavah Bohanec, KljajiE Bor.tnar, Robnik­©ikonja (2015a, 2015b in 2015c) ter v Bohanec (2014a in 2014b). METODOLOGIJA Preiskali smo akademske zbirke Ëlankov s ciljem identifikacije prispevkov, ki opisujejo pridobivanje medorganizacijskih poslov, industrijskih projektov, vlogo medsebojnih odnosov v medorganizacijskem trgovanju in prej.njih poizkusov opisovanja prodaj­nih priloanosti. Prav tako smo upo.tevali mnenja in predloge izku.enih strokovnjakov s podroËja proda­je z namenom dopolnitve akademskih virov s prak­tiËnimi izku.njami. Ocenjevanje atributov smo opra­vili na praktiËnem primeru. 2.1 Pregled literature Raziskavo, ki jo je opravil Monat (2011), smo prepo­znali kot najpomembnej.i pregled dosedanjega dela na podroËju medorganizacijske prodaje. Poleg siste­matiziranega seznama atributov in vplivnih faktor­jev je bila ena izmed kljuËnih ugotovitev dejstvo, da .obstaja presenetljivo pomanjkanje literature o opi­sovanju medorganizacijskih prodajnih priloanosti ter da .e ni prevladujoËe in poenotene teorije ‡ .e veË, podatki, ki bi podkrepili dosedanje raziskave, skoraj ne obstajajo« (Monat, 2011, str. 179). Ta ugotovitev je bila potrjena z identifikacijo osnovne pomanjkljivo­sti obstojeËih modelov, namreË, da niso utemeljeni v preverljivih teoretiËnih izhodi.Ëih in da tudi niso bili ovrednoteni. Sistematizacija skupin atributov iz Mo­natove raziskave atributov sluai v tem prispevku kot pomembno izhodi.Ëe. Pomembno raziskavo na podroËju kompetenc za uspe.nost v prodaji je opravil Churchil (1985). Kasnej.a .tudija (Verbeke in sod., 2011) nadgrajuje Churchillovo .tudijo in klasifikacijsko shemo prodaj­nih determinant, ki jo je razvil Walker (1977). Glede na izsledke teh raziskav izkazujejo pomembno po­vezanost z uspe.nostjo v prodaji te znaËilnosti: po­znavanje in obvladovanje prodajnih ve.Ëin, stopnja prilagodljivosti posameznika, (ne)jasnost delovnega mesta (negativno korelirano), kognitivna sposobnost posameznika in delovna aktivnost. S perspektive na.e raziskave jih lahko zdruaimo v dve skupini: kompetence posameznega prodajalca in znaËilnosti organizacije podjetja. D'Haen in Van den Poel (2013) sta predlagala model, ki generira seznam zainteresiranih podjetij, ki jih je potencialno najlaaje nadgraditi v prodajne priloanosti in v nadaljevanju tudi v dobljene posle, torej v nove stranke. Model aeli pomagati prodajal­cem, ki v praksi uporabljajo lastna pravila za izbiro priloanosti, na katere se bodo osredinili. Predlagani model posku.a standardizirati proces pridobivanja strank in poudarja njegovo iterativno naravo. Rieg (2010) je v svoji raziskavi identificiral nego­tovost, ki izvira iz zunanjega poslovnega okolja, kot pomemben razlog, zakaj ni videti izbolj.av napove­dne toËnosti prodajnih izidov, Ëeprav se tako stati­stiËne metode kot tudi sposobnost organizacijskega uËenja neprestano izbolj.ujejo. Njegove ugotovitve povzemamo v atributu, ki opisuje stabilnost zuna­njega poslovnega okolja. Zalloco in sod. (2009) so predstavili kvalitativno .tudijo kriterijev uspe.nosti prodaje, opravljeno s po­moËjo intervjujev. Predlagana je bila metoda organizi­ranosti merjenja uspe.nosti, ki primerja uËinkovitost/ izkoristek z internimi in zunanjimi kriteriji. S tem so aeleli upo.tevati kompleksnost razliËnih dimenzij (prodajna .olanja, obna.anje itd.). Njihova raziskava je pokazala na razkorak med performanËnimi atribu­ti, na katere so osredinjeni raziskovalci, in tem, kar se v resnici dogaja v realnem svetu prodaje. Ng in Liu (2000) sta kot del raziskave zbrala se­znam atributov, ki sta jih identificirala kot pomembne indikatorje prodajnih priloanosti. Njuna motivacija je bila prepreËiti pojav vi.ka podatkov ob hkratnem pomanjkanju informacij (angl. data overload but in­formation starvation). Tudi mi k problemu pristopa­mo s podobno motivacijo, saj aelimo najti ravnoteaje med zbiranjem podatkov in sposobnostjo prenosa dobljenih spoznanj nazaj v uËni cikel organizacije. Duran (2008) je predstavil pristop k napovedova­nju poslovnega izida na podlagi porazdelitve verjet­nosti zapiranja prodajnih priloanosti. V svoj model je vkljuËil .um v podatkih in opredelil negotovost vhodnih informacij kot naËin izbolj.anja napove­di. To spoznanje je koristno tudi pri gradnji modela strojnega uËenja. Lee in sod. (2011) so razvili mehanizem sklepa­nja, ki temelji na podobnosti primerov. Ideja upo­rablja faktorje vpliva (v na.em primeru atribute) v vlogi inteligentnih agentov, ki spremljajo in poroËajo o opaaenih spremembah vrednosti drugim, poveza­nim agentom. Ta mehanizem so uporabili za anali­zo prodajnih priloanosti in kreirali zanimiv seznam atributov. MEDORGANIZACIJSKI PRODAJNI ATRIBUTI 3.1 Stanje stranke Zbrane atribute smo pregledali in jih razvrstili v pet Tabela 1: Atributi, ki opisujejo stranko oz. podjetje, ki kupuje skupin, ki odraaajo skupne znaËilnosti in tako omo­ Opis atributa Vrednosti Avtorji goËajo laaje razumevanje. Atributi opisujejo prodaj­ Avtoriteta za podpis Nizka; Srednja; Visoka Monat ne priloanosti sistematiËno in razumljivo ter tako pogodbe ohranjajo transparentnost in zaupanje v predlagani Velikost posla Nenegativno Realno D’Haen in V. den Poel; pristop. Na. konËni cilj je izgradnja modela, ki ga .tevilo Lee in sod. bodo uporabljali vodje, napovedovalci poslovnega ©tevilo zaposlenih Naravno .tevilo D’Haen in V. den Poel izida in predvsem prodajalci za laaje prepoznavanje Zaposlenih na lokaciji Naravno .tevilo D’Haen in V. den Poel znaËilnosti prodajnega procesa, zato aelimo zgradi­ Tip industrije Std. kategorije Bohanec ti razumljivo in kakovostno re.itev, sprejemljivo za Prihodki podjetja Realno .tevilo D’Haen in V. den Poel razliËne uporabnike (Smith in Mentzer, 2010). Ime priloanosti Niz Bohanec Kakovostna faza priprave podatkov je pomemb­ Konkurenca NA; Ne; Da Monat; Duran na tudi iz drugih razlogov (Maaß in sod., 2014): Izvozni indikator Ne; Da D’Haen in V. den Poel • Dober pristop k pripravi podatkov lahko razkrije Proizvodni indikator Ne; Da D’Haen in V. den Poel pomembne skrite informacije in ob tem zniaa sto­ Javno zasebno Ne; Da D’Haen in V. den Poel pnjo variance in negotovosti. partnerstvo • Napovedni algoritmi nimajo nadzora nad kako­Pravna koda Std. kategorije D’Haen in V. den Poel vostjo podatkov (predstavljenih z atributi) in jih Malo podjetje Ne; Da D’Haen in V. den Poel morajo sprejeti kot vir napak. Fortune_1000_ Ne; Da D’Haen in V. den Poel • Izbor pravih metod za pripravo podatkov je od­indikator visen od spoznanj in znanj, ki jih pridobimo v Neprofitni indikator Ne; Da D’Haen in V. den Poel procesu priprave podatkov in z uporabo uËnih Fran.iza Ne; Da D’Haen in V. den Poel algoritmov. Uporaba zunanjih Ne; Da Bohanec storitev • Prednost tehnik strojnega uËenja v primerjavi z Sredstva planirana Ne; Da Duran; Monat drugimi tehnikami napovedovanja je v razkritju Formalni razpis Ne; Da Bohanec bolj kompleksnih vzorcev, vendar zato potrebuje­ Zahteva za informacijo Ne; Da Bohanec mo atribute na vsebinsko smiselnem nivoju, da se Zahteva za ponudbo Ne; Da Bohanec izognemo .umu v podatkih in nezaupanju upo­ Rast stranke KrËenje; UpoËasnitev ; Bohanec rabnikov (Alvarado­Valencia in Barrero, 2014). Stabilna; Rast; Hitra Predlagamo razdelitev atributov na pet glavnih rast skupin: Sprejetje odloËitve Hitra; Normalna; Po Duran; Monat 1. stanje stranke: opisuje ekonomsko stanje stranke; pogajanjih; Neznana 2. posamiËni prodajalec: opisuje znaËilnosti proda­Oaji izbor Ne; Da Duran jalca/­ke; Pilotna postavitev Ne; Da Duran 3. interno: opisuje interno interpretacijo prodajne pri­planirana loanosti; Pilot izveden Ne; Da Bohanec 4. poslovni odnos: opisuje nianse v medorganizacij­Ustno potrdilo izbora Ne; Da Duran skem poslovnem odnosu; Pisno potrdilo izbora Ne; Da Duran 5. zunanji: opisuje stabilnost zunanjega ekonomske­Nezadovoljstvo stranke Ne; Da Monat izreËeno ga okolja. V nadaljevanju tabelariËno predstavljamo atribu­Pozitivne izjave izreËene Ne; Da Monat te po posameznih kategorijah. PlaËilo Teaave v preteklosti; Lee in sod. Nestandar dni pogoji; Brez teaav Lokacija Oddaljena; Urbana; Bohanec Poslovni center 3.2 PosamiËni prodajalec Tabela 2: Atributi, ki opisujejo konkretnega prodajalca Opis atributa Vrednosti Avtorji TehniËno znanje Nizko; Srednje; Visoko Zallocco in sod. Predstavitvene ve.Ëine Nizko; Srednje; Visoko Zallocco in sod. Komunikacijske ve.Ëine Nizko; Srednje; Visoko Zallocco in sod., Verbeke in sod. Ve.Ëina poslu.anja Nizko; Srednje; Visoko Zallocco in sod., Verbeke in sod. Timsko delo Slabo; Srednje; MoËno Zallocco in sod. ID prodajalca/-ke Ime prodajalca/-ke Bohanec Pretekli rezultati Pod priËakovanji; V skladu s priËakovanji; Presega priËakovanja Verbeke in sod. Prilagodljivost Zelo poËasna; PoËasna; Hitra Verbeke in sod., Piercy Ujemanje oseba ‡ delovno mesto Neusklajenost; Verbeke in sod. Sprejemljivo; Dobra usklajenost 3.3 Interni atributi Tabela 3: Atributi, ki opisujejo interni pogled podjetja na prodajno priloanost Opis atributa Vrednosti Avtorji ID priloanosti Edinstven niz Bohanec Izvor priloanosti PriporoËilo; Dogodek; Skupna preteklost; Spletni obrazec; Po.ta Monat Status stranke ObstojeËa; Nova; Pretekla Monat Na.e razumevanje posla stranke Nizko; Srednje; Visoko Piercy ID produkta/storitve Koda produkta Bohanec Dni v najdalj.i prodajni fazi Naravno .tevilo Bohanec Najdalj.a faza 1; 2; 3; 4 (ali veË) Bohanec Odstotek popusta ©tevilo Bohanec Segment stranke DoloËeni segmenti Bohanec Tveganost projekta Nizka; Srednja; Visoka Lee in sod. Tip pogodbe »as in izroËek; Fiksna cena; MeseËni obrok; Letno predplaËilo Lee in sod. Teaavnost implementacije Zahtevno; ObiËajno; Nezahtevno Lee in sod. Jasnost priËakovanj Nizka; Vpra.anja; Jasno Lee in sod. Vpliv na naslednje priloanosti Nizka; Referenca; Pomembno Lee in sod. Razpoloaljivost virov Ne dovolj; Nekaj izzivov ; Razpoloaljivi Lee in sod. PriËakovani zasluaek < 10 %; 10‡20 %; 20‡30 %; > 30 % Lee in sod. Izvedba posla Brez teaav ; Previdnost nujna; Teaka izvedba; Zelo teaka izvedba Lee in sod. Strate.ka pomembnost posla Nepomemben ; PovpreËno pomemben ; Zelo pomemben Lee in sod. FinanËna smiselnost Ni dober posel; Nizka maraa; Nizek prihodek; Smiselno Lee in sod. Indeks prodajne priloanosti (percepcija o statusu te priloanosti) RdeË; Oranaen; Rumen; Zelen Lee in sod. Obstoj kljuËnega dogodka za podpis pogodb Ne; Da Bohanec Ime partnerja Niz Bohanec Status partnerja Osnovni; Srebrni; Zlati Bohanec Ocena partnerja Slab; PovpreËen; MoËan Bohanec Hitrost razvoja posla ObtiËal; PoËasna; Normalna; Hitro Bohanec Vpliv na druge kupce Nizko; Srednje; Visoko Ng in sod. Prodaja drugih produktov Ne; Da Bohanec Prodaja veËje koliËine istega produkta Ne; Da Bohanec UPORABNA INFORMATIKA 772016 - .tevilka 2 - letnik XXIV 3.4 Medsebojni odnosi z izbranimi atributi. Ko bo neki atribut postal napo­ Tabela 4: Atributi povezani s kvaliteto medsebojnega odnosa med prodajal­ vedno pomemben, bodo to metode za ocenjevanje cem in kupcem atributov prepoznale. Opis atributa Vrednosti Avtorji Definiranost razlogov Je ni; Slaba; zbiranje Monat 3.6 Prikaz uporabe atributov informacij; Da Na preprostem primeru bomo pokazali, kako lah­ Kupec jasno izrazi Ne; Nekatere; Solidno ; Bohanec ko uporabimo zbrane atribute za gradnjo modela priËakovane prednosti Zelo Dobro medorganizacijske prodaje in za njegovo praktiËno Kupec zagotavlja informacije Ne; Delno; V celoti Monat ovrednotenje. Na. cilj je razvr.Ëanje atributov po Pogajanja Enostavna; Zmerna; Teaka Duran pomembnosti s stali.Ëa uspe.nosti zakljuËevanja po­ Poznavanje ponudnika Ne; Da Monat slov. V praksi se namreË pogosto pojavi teaava, ko Interni odnos do stranke Slaba stranka; Normalno; Lee in sod. imajo posamezni prodajalci razliËno razumevanje, Prvi posel; Strate.ka stranka kaj najveË prispeva k uspe.nosti zapiranja posla. To poslediËno pomeni, da zaradi odsotnosti enotnega 3.5 Zunanji dejavniki (in nepristranskega) razumevanja prodajnega proce­ sa prodajne aktivnosti lahko potekajo na podroËjih, Tabela 5: Atributi, ki opisujejo zunanje dejavnike ki imajo nizek vpliv na konËno uspe.nost. Opis atributa Vrednosti Avtorji Najprej oblikujemo smiseln seznam atributov, Stabilnost trga Nizko; Srednje; Stabilno Rieg ki opisuje prodajo in prodajni proces v konkretnem Stabilnost zunanjih dobav Nizko; Srednje; Stabilno Bohanec podjetju. V prvem koraku prodajalci in vodstvo pod­ Stabilnost infrastr ukturne Nizko; Srednje; Stabilno Bohanec jetja pregledajo nabor atributov (npr. iz tabel 1 do 5) podpore ter tako oblikujejo izhodi.Ëni seznam atributov glede Razvrstitev draave (npr. Nizko; Srednje; Visoko Robnik­ na to, kaj podjetje prodaja in kako. V drugem koraku OECD) ©ikonja posku.ajo v razpravi odkriti .e kak.en atribut, ki je Obrestne mere Nizke; Normalne; Visoke; Zelo visoke Robnik­©ikonja specifiËen za konkretno podjetje, ter ga dodajo na se­ Regijska stabilnost Nestabilno; Nekaj problemov ; Bohanec znam. Prodajalci in vodstvo bodo uporabljali atribu­ Stabilno te pri pomembnih odloËitvah, zato je pomembno, da Kupna moË (v primerjavi s Niaja; Na povpreËju; Vi.ja Bohanec pomen atributov in njihove vrednosti pri vna.anju v povpreËjem v EU) sistem CRM vsi razumejo enako (zmanj.anje .uma Trend EUR ‡ USD EUR pada; Stabilno; EUR raste Bohanec v podatkih). Nadaljujemo z gradnjo uËne mnoaice na podlagi preteklih priloanosti z znanim izidom Predstavljeni nabor atributov (tabele 1 do 5) (uspe.no, neuspe.no). V tabeli 6, v kateri zaradi sluai kot izhodi.Ëe podjetjem, ki bi aelela zgraditi preglednosti predstavljamo le del uËne mnoaice, lastno uËno mnoaico na podlagi preteklih prodaj­ je izid oznaËen v stolpcu .Signed« na desni strani. nih priloanosti in zgraditi model napovedovanja Ker aelimo s pomoËjo modela razbrati tiste atribute, uspe.nosti zakljuËevanja novih priloanosti. Za kon­ ki najbolj vplivajo na uspe.en zakljuËek, je treba pri kretno podjetje na podlagi izbire njihovih strokovnja­ gradnji uËne mnoaice poskrbeti, da sta oba izida do­ kov iz ponujenega nabora oblikujemo kraj.i seznam volj zastopana. V tej fazi gre za opisovanje prodajnih atributov, ki smiselno opisujejo prodajne znaËilnosti priloanosti za nazaj, zato naj jih opisujejo prodajalci, podjetja. Po izku.njah je to dvajset do trideset atri­ ki res vsebinsko dobro poznajo konkretne posle. butov, lahko pa tudi manj. PriËakovati je, da bodo Praksa kaae, da modeli strojnega uËenja ae po seznami atributov med razliËnimi podjetji dokaj nekaj desetih zbranih primerih preteklih priloanosti razliËni. Pri tem je pomembno, da ni treba iskati kon­ pokaaejo dobre napovedne rezultate, ki se s .tevilom senza o dodani vrednosti posameznega atributa, saj kakovostnih uËnih primerov .e izbolj.ujejo. Tako bodo vrednotenje opravile metode strojnega uËenja prodajalci dokaj hitro dobijo povratno informacijo, na podlagi preteklih poslovnih priloanosti, opisanih kar jih motivira za trud pri gradnji uËne mnoaice. Na podlagi zgrajene uËne mnoaice lahko izve­demo ocene kakovosti posameznih atributov in jih razvrstimo po vplivu atributov na izid. Za ta namen smo uporabili orodje Orange (orange.biolab.si), ki omogoËa uporabo razliËnih tehnik strojnega uËenja. V tabeli 7 smo za ocenjevanje atributov uporabili al­goritem ReliefF, ki lahko prepozna pogojne odvisno­sti med atributi, je robusten glede .uma in dobro de­luje tudi pri sorazmerno majhnem .tevilu primerov. Poleg tega imajo ocene vrednosti naravno interpreta­cijo (Robnik­©ikonja in Kononenko, 2003). Iz tabele 7 razberemo, da vrhnjih .est atributov (ocena > 0.10) vsebuje veËino informacije in da so ostali manj pomembni za razumevanje prodajnega procesa. Manj.e konËno .tevilo atributov poveËuje razumljivost in izbolj.uje razlago modelov nauËenih na podlagi teh podatkov. Ko imamo v uËni mnoaici veË sto primerov in se razvrstitev atributov ne spre­minja veË bistveno z dodajanjem novih uËnih prime­rov, lahko odstranimo manj pomembne atribute iz uËne mnoaice brez vpliva na uspe.nost napovedova­nja. To je pomembno spoznanje, saj aelimo zbirati le dejansko koristne atribute. Zaradi sprememb dinamike na trgu se lahko po­javi .premik koncepta« (angl. concept drift). Zato je treba neprestano opazovati spremembe pomembno­sti atributov in nove atribute, ki bi jih bilo smiselno spremljati, da lahko kakovostno opi.emo spremem­be na trgu in v prodajnem procesu. 4 SKLEP Namen prispevka je predvsem pregled dosedanjega akademskega dela na podroËju atributov, ki opisujejo medorganizacijsko prodajo (B2B). Vsebinsko gledano je podroËje medorganizacijske prodaje zelo odvisno od konkretnega prodajnega konteksta in .mehko« v smislu sposobnosti prodajnih ekspertov, da formuli­rajo prodajne atribute in njihove vrednosti. Ker je v realnosti pri napovedovanju uspe.nosti prodaje ve­liko odvisno od konkretnih okoli.Ëin posla, morajo biti v gradnjo seznama atributov vkljuËeni prodajni eksperti iz ciljnega podjetja. McCarthy Bryne in sod. (2011) so pokazali, da imajo prodajalci kakovosten vpogled v proces prodaje, kar koristi razumevanju in napovedovanju prodajnega izida, vendar mora poslovodstvo njihov prispevek ustrezno obravnava­ti, nagraditi in podpirati. Da bi se izognili teaavam, ki izhajajo iz nezaupanja, mora vodstvo oblikovati pozitivno vzdu.je in spodbujati prodajalce, da so­delujejo v razpravi in delijo spoznanja na podlagi modelov strojnega uËenja ae od samega zaËetka vpe­ljave podpore medorganizacijski prodaji v podjetje. Tak kreativen in iterativen proces lahko prinese nove atribute, ki jih dodamo na seznam kljuËnih atributov in na katerih se ponovi celoten postopek z namenom prepoznavanja njihove dodane vrednosti. Prispevek je nadgrajeni prevod prispevka v angle.kem jeziku, pripravljenega za 34. konferenco FOV v Portoroau, marca 2015. 5 LITERATURA [1] Alvarado-Valencia J. A., Barrero L. H. (2014). Reliance, Trust and Heuristics in Judgmental forecasting, Computers in Hu­man Behavior 36, str. 102‡113. [2] Bohanec M., KljajiE Bor.tnar, M., Robnik-©ikonja, M. (2015a). Integration of machine learning insights into organizational lear­ning. V Proceedings of 28th Bled eConference, Bled, Slovenia. [3] Bohanec, M., KljajiE Bor.tnar, M., Robnik-©ikonja, M. (2015b). Feature subset selection for B2B sales forecasting. V Procee­dings of 13th SOR Conference, Bled, Slovenia. [4] Bohanec, M., KljajiE Bor.tnar, M., Robnik-©ikonja, M. (2015c). Machine learning data set analysis with visual simulation. V Proceedings of 27th International Conference on Systems Re­search, Informatics and Cybernetics, Baden-Baden, Germany. [5] Bohanec, M. (2014a). Modeling knowledge for reducing oppor­tunity based forecasting error in B2B scenario with help of ma­chine learning methods. V Proceedings of 33rd Conference of Organizational science developments, Portoroa, Slovenia. [6] Bohanec, M. (2014b). Reducing sales forecast error by levera­ging machine learning techniques for B2B opportunity-based forecasting. V Proceedings of 27th Bled eConference, Bled, Slovenia. [7] D’Haen, J., Van der, Poel (2013). Model-supported business­-to-business prospect prediction based on an iterative cu­stomer acquisition framework, Industrial Marketing Manage­ment, Vol. 45, str. 544‡551. [8] Duran, R. E. (2008). Probabilistic Sales Forecasting for Small and Medium-Size Business Operations. V Soft Computing application in Business, str. 129‡146. [9] Lee, N., Bae, J. K, Koo, C. (2011). A case-based reasoning based multi-agent cognitive map inference mechanism: An application to sales opportunity assessment. Information Sy­stems Frontiers, Springer. [10] McCarty Byrne, T. M., Moon, M. A., Mentzer, J. T. (2011). Mo­tivating the industrial sales force in the sales forecasting pro­cess, Industrial Marketing Management, Vol. 40, str. 128‡138. [11] Maaß, D., Spruit, M., de Waal, P. (2014). Improving short­-term demand forecasting for short-life consumer products with data mining techniques, Decision Analytics 1:4, Springer Open Journal. [12] Monat, J. P. (2011). Industrial sales lead conversion modeling, Marketing Intelligence & Planning Vol. 29. No. 2, 2011, str. 178‡194. [13] Ng, K., Liu, H. (2000). Customer Retention via Data Mining, Artificial Intelligence Review 14, str. 569‡590. [14] Piercy, N. F. (2010). Evolution of strategic sales organizations in business-to-business marketing, Journal of Business & In­dustrial Marketing 25/5, str. 349‡359. [15] Rieg, R. (2010). Do forecasts improve over time?, Internatio­nal Journal of Accounting and Information Management Vol. 18, No. 3, str. 220‡236. [16] Robnik-©ikonja, M., Kononenko, I. (2003). Theoretical and Empirical Analysis of ReliefF and RReliefF, Machine Learning Journal, 53, str. 23‡69. [17] Verbeke, W., Dietz, B., Verwaal, E. (2011). Drivers of sales performance: a contemporary meta-analysis. Have sales pe­ople become knowledge brokers?, Journal of the Academy of Marketing Science, 39, str. 407‡428. [18] Smith, C. D., Mentzer, J. T. (2010). Forecasting task-technolo­gy fit: The influence of individuals, systems and procedures on forecast performance, International Journal of Forecasting, 26. [19] Zallocco, R., Bolman Pullins, E., Mallin, M. L. (2009). A re­examination of B2B sales performance, Journal of Business & Industrial Marketing, 24/8, str. 598‡610. • Marko Bohanec je ustanovitelj podjetja Salvirt, ki se ukvarja z nadgradnjo poslovanja podjetij predvsem na podroËjih doseganja odliËnosti v medorganizacijski prodaji in vodenju poslovanja. Leta 1996 je diplomiral na Fakulteti za raËunalni.tvo in informatiko Univerze v Ljubljani, magistriral pa je na Ekonomski fakulteti Univerze v Ljubljani leta 2006. Raziskovalno se ukvarja z modeliranjem medorganizacijskega prodajnega procesa ter aplikacijo metod strojnega uËenja. Je doktorski .tudent na Fakulteti za organizacijske vede Univerze v Mariboru. • Mirjana KljajiE Bor.tnar je docentka za podroËje informacijskih sistemov na Fakulteti za organizacijske vede Univerze v Maribor u. Na dodiplomskem in podiplom­skem .tudiju je nosilka veË predmetov. Njena raziskovalna podroËja so veËkriterijsko modeliranje, simulacijski modeli za podporo odloËanju, odkrivanje znanja iz podatkov, sistemi za podporo skupinskemu odloËanju in ekspertni sistemi. Za objavljene izsledke eksperimentov na podroËju raziskovanja odloËanja skupin s pomoËjo interaktivnih simulacijskih modelov je s soavtorji prejela veË mednar odnih priznanj za najbolj.i prispevek. Kot avtorica ali soavtorica je objavljala v med­narodnih znanstvenih revijah in na konfer encah. Sodelovala je v veË evropskih in nacionalnih projektih. Je Ëlanica programskega odbora blejske eKonference, konfer ence o razvoju organizacijskih znanosti, WorldCIST in drugih, kot recenzentka sodeluje na mednar odnih in domaËih konferencah ter pri revijah. • Marko Robnik ©ikonja je izredni profesor na Fakulteti za raËunalni.tvo in informatiko Univerze v Ljubljani, kjer je leta 2001 doktoriral. Raziskovalno se ukvarja s strojnim uËenjem, rudarjenjem podatkov in besedil, odkrivanjem znanja, kognitivnim modeliranjem in uporabo teh podroËij v praksi. Je (so)avtor veË kot petde­setih objav v znanstvenih revijah in na mednarodnih konfer encah ter dveh odprtokodnih analitiËnih orodij o okolju R. Njegova dela so citirana veË kot 1800-krat. STROKOVNI PRISPEVKI Adaptivni pristop k uËenju jezika SQL Tadej Matek, Dejan LavbiË Univerza v Ljubljani, Fakulteta za raËunalni.tvo in informatiko, VeËna pot 113, 1000 Ljubljana matektadej@gmail.com; Dejan.Lavbic@fri.uni-lj.si IzvleËek Jezik SQL je danes standar d na podroËju poizvedovanja in manipulacije s podatki. VeËina podjetij aktivno uporablja jezik SQL za podporo delovanja informacijskih sistemov, zato so potrebe po usposobljenem kadru velike. Sam proces uËenja jezika SQL je teaaven, saj pogosto prihaja do napaËne­ga razumevanja temeljnih konceptov jezika. V okviru raziskave smo se lotili razvoja adaptivnega sistema za generiranje namigov kot pomoË pri procesu uËenja. Sistem uporablja informacije iz zgodovinskih podatkov, iz preteklih poskusov re.evanja nalog iz jezika SQL. Za odkrivanje znanja, skritega v podatkih, smo uporabili odloËitvene procese Markova, ki omogoËajo napovedovanje v negotovih razmerah. Poleg sistema smo razvili tudi komponento za procesiranje jezika SQL ter preprost spletni vmesnik. Preprosta evalvacija je pokazala, da je sistem zmoaen generirati namige, prilagojene posameznemu .tudentu. KljuËne besede: inteligentni sistemi za uËenje, uËenje jezika SQL, odloËitveni proces Markova, razËlenjevalnik jezika SQL, strojno uËenje, pripo­roËilni sistemi. Abstract Adaptive Approach to Learning SQL SQL is nowadays the standar d in the field of data retrieval and manipulation. The majority of companies actively use SQL as part of their business process. Subsequently, the demand for qualified personnel is high. The process of learning SQL turns out to be challenging as students often misinterpret fundamental concepts of the language. In this study, we set out to develop an adaptive system for hint generation in order to assist students in the SQL exercise-solving process. The system is based on a set of historical data and past attempts at related SQL exercises. We have employed the Markov decision processes to encode the knowledge hidden within our data as well as to make predictions under ambiguous circumstances. In addition to the system, we have also developed an SQL language parser and a simple web interface. A straightfor ward evalu­ation has shown that the system is capable of providing hints tailored to the needs of individual students. Keywords: intelligent tutoring systems, SQL learning, Markov decision process, SQL language parser, machine learning, recommendation systems. 1 UVOD Jezik SQL (angl. Structured Query Language) je postal stan­dard za poizvedovanje po relacijskih podatkovnih bazah ter definiranje in manipulacijo podatkov. K splo.nemu sprejetju jezika je prispevala tudi njegova prva standardizacija ANSI (angl. American National Standards Institute) leta 1986 ter ISO (angl. International Organization for Standardization) leta 1987. VeËina podjetij, ki se ukvarja z razvojem program­skih re.itev, danes aktivno uporablja SQL za poizvedovanje in manipulacijo s podatki, zato so potrebe po kadru s kakovo­stnim znanjem jezika SQL velike. UËenje jezika SQL primarno poteka na visoko­.olskih izobraaevalnih ustanovah, in sicer v okviru uËenja podatkovnih baz ter sistemov za upravljanje s podatki. Glavni cilj uËenja jezika SQL je usposobiti kandidata, da je zmoaen manipulirati s podatki ter iz njih pridobiti uporabne informacije. Re.evanje nalog s podroËja SQL poteka v okolju, podobnem profe­sionalnemu, da bi .tudent privzel naËin pisanja po­izvedb, kakr.nega bo kasneje uporabljal v delovnem okolju. VeËina poizvedb, napisanih v jeziku SQL, je pre­prostih in kratkih, torej bi priËakovali, da bo uËenje jezika SQL hitro in uËinkovito. Izkaae se, da imajo .tudentje mnoge teaave pri uËenju jezika (Prior in Lister, 2004). Prior in Lister poudarjata, da mora .tudent napisati poizvedbo, ki jo sistem za upravlja­nje s podatki pred izvedbo dodatno pretvori. Opera­cije, ki jih opravi sistem za upravljanje s podatki, so .tudentu nepoznane, tako da se teaavnost znatno po­veËa, Ëe .tudent nima takoj.nje povratne informacije o rezultatu poizvedbe. Dodatna teaava je tudi po­mnjenje podatkovnih shem, saj .tudentje pozabljajo imena tabel in atributov. NapaËno razumevanje do­loËenih konceptov, kot so agregacija podatkov, ome­jena agregacija podatkov, zdruaevanje tabel (angl. join), je pogosto (Mitrovic, 1998). Dana.nji sistemi za uËenje delno ublaaijo teaave .tudentov pri uËenju. VeËina jih omogoËa testiranje napisanih poizvedb, tako da ima .tudent povratno informacijo o rezultatu podane re.itve (Prior in Li­ster, 2004). Tak.en pristop izbolj.a uËinkovitost uËe­nja ter poveËa motivacijo .tudentov za poizku.anje pisanja pravilnih re.itev. Za laaje pomnjenje shem besedilu naloge pogosto dodamo sliko dela logiËne­ga podatkovnega modela z imeni atributov in tabel. Kljub omenjenim izbolj.avam uËenje ostaja ne­uËinkovito, saj obstajajo okoli.Ëine, ko .tudent ne ve, kako bi nadaljeval. Preprost primer je scenarij, po ka­terem .tudent izbere napaËen pristop k re.evanju na­loge. Sistem mu sicer omogoËa testiranje poizvedbe, vendar je majhna verjetnost, da bo .tudent zmoaen preiti iz napaËnega pristopa re.evanja k pravilnemu (zamenjati pristop k re.evanju problema). Drug pri­mer je scenarij, po katerem .tudent ne dojame, kaj od njega zahteva naloga. Takrat bi bilo konstruktivno .tudentu ponuditi idejo, kako se lotiti re.evanja nalo­ge. Omenjena primera opisujeta inteligentne sisteme za uËenje, pri katerih .tudent dobi pomoË v obliki namigov. S pomoËjo namigov je uËenje do doloËene mere hitrej.e in uËinkovitej.e. V okviru raziskave smo razvili nov sistem za podporo uËenja jezika SQL, ki izbolj.uje uËinkovitost uËenja, tako da ponuja moanost personaliziranih na­migov. Temelj sistema so metode umetne inteligence, ki zagotavljajo, da je generiranje namigov povsem samostojno, to pomeni, da ni potrebe po ekspertih za vnos znanja. V naslednjem razdelku predstavimo trenutno stanje na podroËju inteligentnih sistemov za uËenje. V tretjem razdelku predstavimo na. sistem z vidika arhitekture ter povezanosti posameznih komponent, v Ëetrtem razdelku bolj podrobno predstavimo vsa­ko izmed komponent, ki sestavljajo sistem. V petem razdelku predstavimo rezultate vrednotenja delova­nja sistema. V .estem razdelku povzamemo sklepne ugotovitve in omenimo moanosti za nadaljnje delo na tem podroËju. 2 INTELIGENTNI SISTEMI ZA U»ENJE Inteligentni sistemi za uËenje (ITS, angl. Inteligent Tutoring System) se od obiËajnih raËunalni.ko pod­prtih sistemov za uËenje razlikujejo v prilagajanju uporabni.kim zahtevam po naËinu uËenja. Medtem ko so namigi in vsebina pri obiËajnih sistemih sta­tiËni, se pri inteligentnih sistemih za uËenje vsebi­na za vsakega .tudenta doloËi dinamiËno (sistem je adaptiven). Sistem za uËenje je inteligenten, Ëe izpol­njuje tri zahteve (Polson in Richardson, 2013): 1. sistem dovolj dobro pozna domeno, v kateri de­luje, da lahko samostojno re.uje probleme v tej domeni; 2. sistem je zmoaen razpoznati, do kolik.ne mere je .tudent usvojil znanje, ki ga aelimo podati; 3. sistem je sposoben prilagajati teaavnost nalog, da zmanj.a razkorak med znanjem eksperta domene in znanjem .tudenta. Glede na zgornje zahteve lahko v vsakem inteli­ gentnem sistemu za uËenje identificiramo tri kljuËne komponente: model domene (angl. domain model), model .tudenta (angl. student model) in model uËi­telja (angl. instructor model). Slika 1: Osnovna arhitektura inteligentnih sistemov za uËenje Model domene predstavlja obseano zbirko znanja iz domene, ki jo sistem lahko uporabi za re.evanje in evalvacijo nalog. NaËin pridobivanja zbirke znanja je odvisen od posameznega sistema. ObiËajno se znanje vnese roËno s pomoËjo ekspertov domene. Vneseno znanje je lahko tudi dinamiËno. Zbirka znanja je skup­na vsem .tudentom, medtem ko je model .tudenta razliËen od posameznika do posameznika, odvisno od pridobljenega znanja ter koliËine re.enih nalog (Martin, 2002; Polson in Richardson, 2013). Model .tudenta lahko definiramo tudi kot okno v model domene, saj .tudent v doloËenem trenutku obvlada Model .tudenta Model domene podmnoaico celotne domene. ObiËajno tak.en model vsebuje informacije, kot so: katere naloge je .tudent re.il, katera poglavja je obiskal in, v idealnih razme­rah, katere koncepte je usvojil in katerih ne. Slika 1 prikazuje, kako omenjene komponente med seboj sodelujejo v procesu uËenja. Model uËitelja uporablja informacije o posameznem .tudentu, ki jih pridobi iz modela .tudenta (adaptivni del sistema). Skupaj z informacijo o domeni oblikuje namige ter izbira prihajajoËe naloge. Pomemben dodatek v ne­katerih sistemih predstavlja model odstopanj (angl. perturbation model) (Martin, 2002). Slika 2: Model odstopanj v inteligentnih sistemih za uËenje z vidika .tudenta Kot je razvidno s slike 2, lahko .tudent doloËene koncepte dojame napaËno. Zato mnogi sistemi vse­bujejo modele za doloËanje, katere koncepte mora .tudent usvojiti ponovno. Model odstopanj je obiËaj­no predstavljen kot zbirka pogostih napak, h katerim so .tudentje nagnjeni med re.evanjem. Tako lahko sistem zazna .tudentove napake. Skozi razvoj raËunalni.ko podprtega uËenja se je razvilo veË inteligentnih sistemov za uËenje. Najbolj uveljavljeni med njimi so kognitivni tutorji (angl. cognitive tutors), novej.i pristopi uporabljajo kon­cept omejitev ali zgradijo model .tudenta s pomoËjo strojnega uËenja. V nadaljevanju so opisani omenjeni pristopi k izgradnji inteligentnih sistemov za uËenje. 2.1 Kognitivni tutorji Dolga leta so bili kognitivni tutorji najaktualnej.a re.itev na podroËju inteligentnih sistemov za uËe­nje. »eprav so danes v razvoju nove metode, so kognitivni tutorji .e vedno pomemben gradnik v raËunalni.ko podprtem uËenju. Leta 1982 je bila dokonËana teorija ACT* (angl. Adaptive control of thought), na podlagi katere je nastala veËina dana.njih inteligentnih sistemov za uËenje (Anderson, Corbett, Koedinger, in Pelletier, 1995). Glavni prispevek omenjene teorije je, da lahko procese Ëlove.kega mi.ljenja delimo na deklarativne in proceduralne. Razlaga za delitev je dokaj prepro­sta. »e aelimo opraviti doloËeno nalogo, potrebu­jemo doloËena proceduralna znanja. »lovek mora, preden pridobi ustrezna proceduralna znanja, usvo­jiti ustrezno deklarativno znanje. Bistveno za uËenje je, da deklarativno znanje usvojimo vsaj enkrat. Tudi Ëe kasneje ne poznamo potrebnega deklarativnega znanja, lahko .e vedno opravimo nalogo, Ëe smo le usvojili ustrezno proceduralno znanje. Za doseganje kompetence v doloËeni domeni bi bilo glede na teorijo dovolj, da usvojimo celotno de­klarativno znanje, vendar bi interpretacija deklara­tivnega znanja brez proceduralnih pravil povzroËila preveliko obremenitev delovnega spomina posame­znika. Velja tudi nasprotno ‡ za doseganje kompeten­ce v domeni bi lahko celotno znanje usvojili v pro­ceduralni obliki (Martin, 2002). Zaradi prevelikega .tevila proceduralnih pravil tudi tak.na alternativa ni sprejemljiva. Torej za uspe.no uËenje potrebuje­mo zadostno koliËino tako deklarativnega kot tudi proceduralnega znanja. Pridobivanje deklarativne­ga znanja ni teaavno, saj nam ga podajajo uËitelji v obliki definicij in izrekov. VeËja teaava je pridobitev proceduralnega znanja, saj mora vsak posameznik skozi re.evanje nalog usvojiti ustrezne postopke. Poudarek kognitivnih tutorjev je zato predvsem na pridobivanju proceduralnih znanj. Kognitivni tutorji so bili sprva razviti v namene potrjevanja teorije ACT*. Zaradi osredotoËenosti na proceduralno znanje predpostavljajo, da .tudentje ae imajo potrebno deklarativno znanje. Njihov mo­del domene predstavlja nabor proceduralnih pravil. Cilj uËenja je spodbuditi .tudenta, da se obna.a, kot doloËajo proceduralna pravila v modelu domene. UËenje poteka po metodi sledenja modelu (angl. mo­del­tracing) (Martin, 2002). Med re.evanjem .tudent oddaja nepopolne re.itve. Sistem sledi .tudentu med re.evanjem in mu v primerih, ko zaide s pra­vilne poti, ponudi namig. »e sistem ne prepozna .tudentove akcije, ga obvesti o splo.ni napaki. Za­radi kombinatoriËne zahtevnosti sledenja .tudentovi re.itvi skozi celoten model domene je .tudent veli­kokrat prisiljen, da se vrne na pravilno pot re.evanja. Za izgradnjo modela .tudenta se uporabi Bayesova verjetnost. IzraËuna se verjetnost, da je .tudent usvo­jil proceduralno pravilo. IzraËun se izvede vsakiË, ko sistem ugotovi, ali je re.itev pravilna ali napaËna. Eno izmed prvih orodij na podroËju kognitivnih tutorjev je bilo orodje LISP tutor za uËenje istoimen­skega programskega jezika. Tutor je deloval tako, da je .tudentu ponudil predlogo programske kode, ki jo je bilo treba dopolniti. V primeru, da je .tudent za.el s pravilne poti, je vskoËil program in zamenjal na­paËno funkcijo s pravilno. Orodje se je izkazalo za zelo uspe.no in je bilo preizku.eno v univerzitetnem okolju. 2.2 Modeliranje na podlagi omejitev NajveËja teaava kognitivnih tutorjev je njihova ome­jenost. Kognitivni tutorji usmerjajo .tudenta po na­tanËno doloËeni poti, ki je bila predvidena ob vnosu proceduralnih pravil. ©tudent tako postane odvisen od pomoËi tutorja, ki ga vodi do re.itve. Za proce­duralne domene, kot je npr. aritmetika, je tak.no de­lovanje povsem ustrezno. V kompleksnej.ih, dekla­rativnih domenah, kot je jezik SQL, postane uËenje teaavno, saj .tudent ne posku.a sam re.evati nalo­ge, temveË se zana.a na orodje, da ga vodi k re.itvi. Jedro teaave pomeni dejstvo, da je metoda sledenja modelu preveË restriktivna, saj ne upo.teva, da imajo lahko naloge veË re.itev. Neupo.tevanje veË re.itev je posledica vna.anja proceduralnih pravil, saj je za vsako nalogo vnesena le ena pravilna pot do re.itve. Teaave se ne da preprosto odpraviti tako, da bi vnesli veË proceduralnih pravil za doloËeno nalogo, saj ob­staja preveË kombinacij. Kot odgovor na omenjene pomanjkljivosti so raz­vili nov pristop k modeliranju inteligentnih sistemov za uËenje, katerega temelj so omejitve (angl. constra­ints) (Mitrovic, 2010; Mitrovic, Martin in Suraweera, 2007; Mitrovic in Ohlsson, 2006; Mitrovic, Ohlsson in Barrow, 2013). Leta 1994 je Ohlsson pripravil novo teorijo Ëlove.kega uËenja, ki se moËno razlikuje od obstojeËe teorije ACT*. Za razliko od teorije ACT* je Ohlsson trdil, da se nauËimo proceduralnih pravil, ko ugotovimo, da smo med re.evanjem napravili na­pako. Ohlssonova teorija trdi tudi, da je pojav napak med re.evanjem pogost in obiËajen pojav, saj je na. delovni spomin preobremenjen. V danem trenutku sicer imamo potrebno deklarativno znanje, vendar obstaja preveliko .tevilo kombinacij, da bi se lahko odloËili pravilno. Ko enkrat usvojimo potrebno pro­ceduralno znanje, se laaje odloËamo, katere dele de­klarativnega znanja je treba uporabiti. Ohlsson uporablja omejitve za opisovanje presli­kav med delËki deklarativnega znanja in trenutnimi razmerami. Vsaka omejitev je sestavljena iz dveh komponent: iz pogoja relevantnosti, ki pove, ali je delËek deklarativnega znanja relevanten, ter iz pogo­ja zado.Ëenosti, ki podaja, ali je bil ‡ v primeru, da je pogoj relevantnosti izpolnjen ‡ delËek deklarativne­ga znanja uporabljen pravilno. Model domene je tako predstavljen kot zbirka omejitev, ki jim mora .tudent zadostiti. V doloËe­nem trenutku se celoten nabor omejitev preveri nad re.itvijo .tudenta. »e je doloËena omejitev re­levantna (pogoj relevantnosti je izpolnjen), se pre­veri pogoj zado.Ëenosti. V primeru, da je tudi pogoj zado.Ëenosti izpolnjen, lahko predpostavimo, da je .tudent usvojil koncept, ki ga modelira omejitev. V nasprotnem primeru .tudent ni izpolnil omejitve, omejitev postane del modela odstopanj. Sistem lahko uporabi zbirko neizpolnjenih omejitev, da posku.a ponovno priuËiti .tudenta konceptov, ki jih ni dojel. Model .tudenta ravno tako temelji na omejitvah, in sicer zajema omejitve, ki jih je .tudent usvojil. V sklopu raziskave (Mitrovic idr., 2013) je bilo razvito orodje SQL­Tutor, ki uporablja modeliranje z omejitvami za uËenje jezika SQL. Omejitve v sistemu bodisi preverjajo re.itev .tudenta z idealno re.itvijo bodisi preverjajo sintaktiËno pravilnost re.itve. Ome­jitve so zapisane v programskem jeziku LISP. Za pre­verjanje pogoja zado.Ëenosti in pogoja relevantnosti se uporablja ujemanje vzorcev (angl. pattern­mat­ching). Za potrebe delovanja orodja je bila priprav­ljena obseana zbirka omejitev. Orodje se je izkazalo za dokaj uspe.no. Raziskava navaja, da se znanje .tudentov izbolj.a ae po dveh urah uporabe. 2.3 Metode s podroËja umetne inteligence Razvoj podroËja umetne inteligence je prinesel s se­boj tudi pojav novih podroËij, kot sta strojno uËenje in rudarjenje podatkov. Omenjeni metodi sta zelo obetajoËi in uporabni tudi v inteligentnih sistemih za uËenje. Gradnja inteligentnih sistemov za uËenje je namreË Ëasovno in stro.kovno potratna operacija. Razlog se nahaja v naravi doloËanja modela dome­ne pri kognitivnih tutorjih in sistemih, ki temeljijo na omejitvah. Da inteligentni sistem za uËenje doseae doloËeno mero uporabnosti, je treba vloaiti veË sto ur vna.anja pravil in omejitev, ki predstavljajo zbirko znanja (model domene). Metode iz umetne inteligen­ce so nam v pomoË, saj do doloËene mere omogoËijo avtomatsko generiranje zbirke znanja iz zunanjih po­datkov. Seveda to velja le pod predpostavko, da ima­mo za posamezno domeno na voljo dovolj podatkov, iz katerih se lahko uËimo. Eden izmed prvih poskusov avtomatizacije ge­neriranja modela domene je dokumentiran v delu Jarvis, Nuzzo­Jones in Heffernan (2004). Temeljni cilj razvitega sistema je omogoËiti ekspertom do­men, neve.Ëim programiranja, da izdelajo vsebino za uËenje v inteligentnih sistemih za uËenje. Eksperti domen bi vna.ali pravila ‡ programiranje po zgledu (angl. programming by demonstration) ‡, pri Ëemer bi sistem iz opazovanja uËiteljev med re.evanjem sam zgradil ustrezne programske konstrukte. Avtorji sistema so uporabili strojno uËenje za avtomatizaci­jo generiranja produkcijskih pravil, ki se uporabljajo pri uËenju in podajanju namigov. Sistem se je izka­zal kot zelo uspe.en. Testiranje je bilo opravljeno na primerih uËenja se.tevanja ulomkov, veËstolpËnega se.tevanja ter igre tri v vrsto. Sistem je zmoaen za skoraj vse primere izdelati natanËen predpis pro­ceduralnih pravil, ki se lahko uporabijo v procesu uËenja. Poleg avtomatiËnega generiranja modela do­mene se je razvila .e vrsta drugih pristopov na pod­lagi umetne inteligence (Aleven, McLaren in Sewall, 2009; Fournier­Viger, Nkambou, Nguifo, Mayers in Faghihi, 2013; Stamper, Barnes in Croy, 2011). Vse veËji pomen imajo tudi zgodovinski podatki, ki jih lahko beleaimo med potekom uËenja. Dovolj velika koliËina podatkov oziroma dovolj kakovostni podatki nam omogoËajo, da iz njih izlu.Ëimo kori­stne informacije. Tako lahko iz podatkov o uËenju razberemo, pri Ëem .tudentje napravijo najveË na­pak, katere naloge re.ijo zadovoljivo itd. Prednost zgodovinskih podatkov so zaËeli izkori.Ëati tudi inteligentni sistemi za uËenje. Iz shranjenih re.itev .tudentov je mogoËe zgraditi bazo znanja, ki se lah­ko uporabi kot model domene. Eden izmed tak.nih sistemov je t. i. Hint factory (Barnes, Stamper, Lehman in Croy, 2008), ki za svoje delovanje uporab­lja odloËitvene procese Markova. Omenjeni sistem je podlaga na.ega sistema in je bolj podrobno opisan v nadaljevanju. PRIPORO»ILNI SISTEM Po pregledu trenutnega stanja na podroËju uËenja jezika SQL smo ugotovili, da je veËina sistemov, ka­terih namen je laj.anje uËenja jezika SQL (kot je npr. SQL­Tutor), statiËnih in neprilagodljivih. Razlog je v pristopu, ki jih tak.ni sistemi uporabljajo za uËenje. Tako kognitivni tutorji kot modeliranje z omejitvami uporabljajo statiËno bazo znanja, za kar potrebujemo vrsto strokovnjakov domen, ki roËno vna.ajo pravi­la. VeË kot ima naloga razliËnih naËinov re.evanja, veË pravil je potrebnih, veË Ëasa je treba vloaiti za vnos teh pravil in hkrati se poveËajo stro.ki izdelave tak.nega sistema. Namigi, ki jih statiËni sistemi po­nudijo .tudentu, so splo.ni in neprilagojeni stanju, v katerem se nahaja .tudent. Kolikor nam je znano, .e ne obstaja sistem, ki bi uporabljal umetno inteligenco za uËenje jezika SQL. V okviru raziskave je bil izdelan sistem za laj.anje uËenja jezika SQL (Matek, 2015). Glavna motivacija pri izdelavi inteligentnega sistema so bili zgodovin­ski podatki re.evanja nalog iz domene jezika SQL. Na voljo so nam bili podatki re.evanja nalog iz let 2014 in 2015 v okviru obveznega predmeta Osnove podat­kovnih baz. Predmet je v programu prvega letnika dodiplomskega .tudija na Fakulteti za raËunalni.tvo in informatiko in pomeni uvod v sisteme za uprav­ljanje s podatki. Podatki so med drugim vsebovali Ëas oddaje re.itve, identifikator naloge in sheme ter dejansko poizvedbo, ki predstavlja re.itev .tudenta. Vseh zabeleaenih re.itev je bilo pribliano 32.000. Znanje, skrito v na.ih podatkih, smo aeleli upora­biti za izdelavo sistema, ki bo v pomoË .tudentom pri re.evanju tovrstnih nalog. Prednosti sistema so v priporoËilnem modulu in njegovem generiranju na­migov. Poleg namigov sistem omogoËa tudi druge, ae uveljavljene prednosti, kot so testiranje poizvedb med re.evanjem ter prilaganje delov slik logiËnega podatkovnega modela za laajo vizualizacijo. Izbrali smo metode umetne inteligence za izgrad­njo sistema. OdloËili smo se za uporabo strojnega uËenja nad podatki ter napovedovanje naslednjega koraka iz trenutnega stanja .tudentove re.itve. Na­tanËneje, na. sistem temelji na metodi Hint factory (Barnes idr., 2008), ki uporablja odloËitvene proce­se Markova (MDP, angl. Markov Decision Process) za izgradnjo modela domene ter vrednostno itera­cijo (angl. value iteration) za doloËanje ocen stanj. Omenjena metoda do sedaj .e ni bila uporabljena v domeni uËenja jezika SQL, zato je zanimivo opazo­vati uËinkovitost metode v tej domeni. OdloËitev o uporabi omenjene metode temelji na uporabi zgo­dovinskih podatkov in tudi na sami naravi metode. Metoda je namreË prilagojena za uËenje iz zgodo­vinskih podatkov ter napovedovanje naslednjih ko­rakov re.evanja iz obstojeËih podatkov. Poleg stroj­nega uËenja je pomembnej.a komponenta sistema tudi komponenta za analizo in procesiranje samega jezika SQL, ki je sestavni del priporoËilnega modula na sliki 4. V procesu preslikave .tudentove re.itve da namigi ne razkrijejo celotne re.itve, temveË po­na model domene je pomembna primerjava dveh nudijo .tudentu le prihodnje stanje ‡ naslednji korak poizvedb SQL, zato je tak.na komponenta nujno po­na poti do re.itve. Tako postanejo namigi dejansko trebna. Dodatna zahteva pri zasnovi sistema je bila, uporabni. Slika 3: Primer zaslonske maske za re.evanje nalog Poleg priporoËilnega modula sistem vsebuje tudi modul za upravljanje z nalogami. UËitelji in strokov­njaki domene lahko preprosto prek spletne aplikaci­je vna.ajo nove naloge, urejajo obstojeËe re.itve ter doloËajo idealne, ki pomagajo v procesu generiranja namigov itd. Spletna aplikacija poleg upravljanja nalog omogoËa tudi simulacijo re.evanja nalog ter prikaz namigov. Primer zaslonske maske spletne aplikacije je viden na sliki 3, in sicer za primer simu­lacije re.evanja naloge. Kot je razvidno iz zaslonske maske, lahko .tudent med re.evanjem zahteva na­mig (gumb .Zahtevaj namig«) in testira poizvedbo (gumb .Izvedi poizvedbo«). Vrnjeni namig lahko uporabi (gumb .Uporabi namig«), pri Ëemer se po­izvedba .tudenta zamenja s poizvedbo iz namiga (poizvedba na desni, kjer so oznaËene spremembe v primerjavi s .tudentovo poizvedbo). Slika 4 prikazuje arhitekturo priporoËilnega dela zalednega sistema. Proces generiranja namigov po­teka tako, da komunikacija spletne aplikacije z za­lednim delom sistema poteka preko spletnih stori­tev, in sicer spletne storitve REST. Kot vhod sistem prejme poizvedbo SQL, za katero .tudent aeli namig oziroma dopolnitev. Sama spletna storitev v nadalj­njih korakih komunicira s priporoËilnim modulom. PriporoËilni modul skrbi za posodobitve modela domene ter za samo generiranje namigov. Model domene je ‡ glede na metodo Hint factory ‡ pred­stavljen kot kombinirana mnoaica zgodovine re.itev, predstavljenih z grafom MDP. Za kreiranje objekta Slika 4: Shema arhitekture priporoËilnega modula MDP iz zgodovinskih podatkov priporoËilni modul uporablja komponento za izgradnjo MDP. Ta skrbi za veË procesov. Sprva pretvori poizvedbo SQL iz zgodovinskih podatkov v drevesno strukturo s po­moËjo komponente za procesiranje jezika SQL. Nad dobljeno drevesno strukturo nato opravi .e dodatno transformacijo s pomoËjo komponente za generiranje korakov re.itve. Rezultat transformacije je mnoaica dreves (gozd), ki si sledijo v sosledju in predstavljajo korake na poti re.evanja doloËene poizvedbe SQL. Komponenta nato zdruai vse korake re.evanja v objekt MDP in postopek ponovi za vse zgodovinske zapise v podatkovni bazi. Kot rezultat dobimo velik skupni objekt MDP, ki vsebuje vse poti re.evanja, ki so jih izbrali .tudentje pri re.evanju nalog. Nasta­li MDP se vrne priporoËilni komponenti, ta pa ga vstavi v predpomnilnik. Ob naslednjem dostopu je tako MDP predpomnjen in ga lahko priporoËilna komponenta pridobi neposredno brez uporabe dru­gih komponent. Dodatna prednost predpomnjenja je ta, da se izognemo Ëasovno potratnim operacijam nad podatkovno bazo. PriporoËilna komponenta po pridobitvi objekta MDP izvede ujemanje najbolj.ega stanja glede na ocene stanj in trenutno stanje, v kate­rem se nahaja .tudent. Kot namig se vrne poizvedba v iskanem stanju. Ker se sistem neprestano prilagaja in dopolnjuje svojo zbirko znanja, priporoËilna komponenta do­stopa tudi do komponente za evalvacijo poizvedb. Tako je sistem zmoaen za vsako vhodno poizved­bo doloËiti oceno ter jo vstaviti v podatkovno bazo kot dodaten zgodovinski zapis. Ker je objekt MDP nespremenljiv (angl. immutable), bo dodani poskus upo.tevan ob naslednji ponovni gradnji MDP. Sis­tem zato ob doloËenih Ëasovnih intervalih izprazni predpomnilnik, da zagotovi ponovno gradnjo MDP. Omeniti je treba, da je sistem zmoaen ponuditi na­mig le, Ëe je vhodna poizvedba sintaktiËno pravilna ter se pravilno izvede. 4 PODROBEN OPIS KOMPONENT V prej.njem razdelku je sistem opisan z vidika med­sebojnega delovanja komponent. Ta razdelek je na­menjen podrobnemu opisu vsake izmed komponent priporoËilnega modula zalednega sistema. 4.1 Komponenta za procesiranje jezika SQL Za potrebe procesa analize poizvedb SQL je nujno po­trebna komponenta, ki je zmoana pretvoriti poljubno pravilno obliko poizvedbe SQL v strukturo, ki je bolj primerna za procesiranje z vidika raËunalni.kega sistema. Komponenta za procesiranje jezika SQL skrbi za ustrezno pretvorbo poizvedb SQL v dreves­no strukturo, ki se shrani v pomnilniku. Za svoje delovanje komponenta uporablja razËlenjevalnik jezikov ANTLR (Parr in Quong, 1995), pri Ëemer je bil v okviru raziskave izdelan slovar za jezik SQL. Poleg orodja ANTLR bi za procesiranje jezika lahko uporabili regularne izraze, a regularni jeziki nimajo dovolj velike izrazne moËi za procesiranje kompleks­nih jezikov, kot je SQL. Primer drevesne strukture po razËlenjevanju poizvedbe je na sliki 5. Slika 5: Primer drevesne strukture za preprosto poizvedbo SQL 4.2 Komponenta za generiranje korakov re.itve Komponenta za procesiranje jezika SQL in zgodovin­ski podatki sami po sebi ne predstavljajo zadostnega pogoja za uspe.no generiranje namigov. »e aelimo zadostiti zahtevi, naj namig ne razkrije celotne re.itve, temveË le naslednji korak na poti do konËne re.itve, potrebujemo posamezne korake re.evanja. Koraki re.evanja nam iz zgodovinskih podatkov niso na voljo, saj je zabeleaena le celotna poizvedba SQL. Za podporo korakov re.evanja bi morali sproti, med .tudentovim re.evanjem naloge, na streanik po.iljati delne re.itve. Izkaae se, da lahko ob predpostavki, da .tudent re.uje nalogo v vrstnem redu glede na sklo­pe, korake re.itve ustvarimo iz obstojeËih poizvedb. Komponenta za generiranje korakov re.itve skrbi za ustvarjanje korakov re.evanja iz shranjenih po­izvedb SQL. Temelji na prej omenjeni predpostavki re.evanja po sklopih. Kot vhod komponenta prejme drevesno strukturo, ki predstavlja poizvedbo SQL. Kot rezultat vrne gozd, ki predstavlja mnoaico po­izvedb, posamezna poizvedba predstavlja korak re.evanja. Ker smo predpostavili, da re.evanje pote­ka po sklopih, lahko privzamemo, da se .tudent po­mika po drevesni strukturi od leve proti desni. Spr­va napi.e sklop SELECT, ki je v drevesni strukturi najbolj levo, kot zadnjega napi.e morebiten sklop LI­MIT, ki je najbolj desno. Korake re.evanja lahko zato dobimo z obhodom v globino (angl. depth­first) po drevesni strukturi, ki predstavlja poizvedbo. Kom­ponenta izvede omenjeni obhod drevesa, pri Ëemer se ustavi le pri listih drevesa. Listi drevesa namreË predstavljajo uporabnikov vnos in ne sintaktiËnega pravila. Ko komponenta doseae list drevesa, naredi kopijo drevesa, ki vsebuje vsa obiskana vozli.Ëa na poti do trenutnega lista drevesa, vkljuËno z listom. Omenjeni pristop ni najbolj ekonomiËen, saj za vse li­ste drevesa naredi kopijo drevesa in jih doda v gozd. ©tevilo re.itev lahko zmanj.amo tako, da ustvarimo kopijo drevesa le v primeru, da smo v listu, ki je naj­bolj desni otrok oËeta. Tak.en pristop ne poslab.a ge­neriranja namigov, saj bi kopije drevesa pri vseh listih povzroËile, da namigi vsebujejo premalo informacije (spremembe nad poizvedbo bi bile premajhne). Poleg preverjanja pogoja najbolj desnega lista je pred vstavljanjem v gozd treba preveriti, ali kopija drevesa predstavlja sintaktiËno pravilno poizvedbo SQL. Pravilnost koraka re.itve preverimo z obstoje­Ëo komponento za procesiranje jezika SQL. Za dre­vesno strukturo na sliki 5 bi komponenta ustvarila poizvedbe, ki predstavljajo korake re.evanja: SELECT * SELECT * FROM zaposleni SELECT * FROM zaposleni WHERE Placa SELECT * FROM zaposleni WHERE Placa > 2500 Opazimo, da so koraki re.itve predpone konËne poizvedbe, konËnega koraka. 4.3 Komponenta za izgradnjo MDP Sistem ima do te stopnje na voljo vse podatke, ki so potrebni za uËenje in generiranje namigov. Poleg shranjene zgodovine re.evanja nalog ima na voljo tudi komponento, ki je zmoana analize jezika SQL, ter komponento, ki nam vraËa korake re.evanja. Manjka le .e struktura ali algoritem, ki bo povezal pridobljeno znanje in se iz podatkov uËil ter napove­doval naslednje pravilno stanje. Iskana struktura je MDP, ki omogoËa napovedovanje v negotovih raz­merah. MDP je definiran kot peterka pri Ëemer je konËna mnoaica stanj, konËna mnoaica akcij, ki povezuje stanja, matrika prehodnih verjetno­sti, funkcija nagrad in diskontni faktor. Obna.anje sistema je nedeterministiËno tj. matrika prehodnih verjetnosti za vsako akcijo doloËa verjetnost, da nas bo akcija dejansko pripeljala v ciljno stanje. Akcije imajo lahko veË ciljnih stanj, vsako ciljno stanje je dosegljivo z doloËeno verjetnostjo. Funkcija nagrad za vsako stanje podaja nagrado, ki jo agent prejme, Ëe doseae to stanje. Nagradna lahko deluje tudi kot kazen, Ëe je nagrada negativna. Politika agenta poda­ja preslikavo med stanji in akcijami. Vsaka politika enoliËno doloËa obna.anje agenta v sistemu, saj po­daja, katero akcijo naj agent izbere v odvisnosti od stanja, v katerem se nahaja. Glede na zgornje lastno­sti lahko definiramo vrednostno funkcijo: Cilj MDP je najti optimalno politiko, tak.no, ki maksimira vrednostno funkcijo oziroma nagrado, ki jo agent prejme v prihodnosti: Za doloËanje optimalne politike uporabimo vred­nostno iteracijo, ki iterativno raËuna bolj.e ocene vrednostne funkcije za vsako stanje, dokler ocene ne konvergirajo: Diskontni faktor, ki daje prednost bodisi dolgo­roËnim bodisi kratkoroËnim re.itvam, je bil nastav­ljen na 1.0, kar pomeni, da preferiramo dolgoroËne re.itve. Uporaba struktur MDP je primerna za uËenje jezi­ka SQL. Ker imamo na voljo mnoaico zgodovinskih podatkov, iz katerih lahko pridobimo korake re.itev, lahko korake zdruaimo v samostojen odloËitveni pro­ces (pri tem pazimo, da ni podvojenih stanj) in tako dobimo enotno zbirko znanja za posamezno nalogo (zbirka znanja, ki vsebuje vse razliËne poti re.evanja). Nato poi.Ëemo optimalno politiko, kateri bo pri­poroËilni modul (agent) sledil. OdloËitveni proces Markova je predstavljen kot usmerjeni graf, v kate­rem vozli.Ëa predstavljajo stanja, akcije pa povezave med vozli.Ëi. Vsako vozli.Ëe je objekt, ki vsebuje ene­ga izmed korakov re.itev. Poleg poizvedbe vozli.Ëe vsebuje tudi informacijo o nagradi stanja ter seznam izhodnih ter vhodnih povezav. Povezava je predstav­ljena z verjetnostjo, izvornim ter ciljnim stanjem. Ver­jetnost povezave je enaka frekvenci uporabe te po­vezave izmed vseh povezav, ki izhajajo iz izvornega stanja povezave. Frekvence uporabe povezav izraËu­namo iz zgodovinskih podatkov. Nagrado stanj lah­ko izraËunamo s pomoËjo komponente za evalvacijo poizvedb. Tako izpolnjujemo vse potrebne pogoje za uporabo vrednostne iteracije, ki doloËi priËakovane nagrade za vsako stanje glede na akcije stanja. Agent lahko uporabi izraËunane nagrade za odloËanje, ka­tero bo naslednje stanje ‡ naslednji korak re.evanja. OdloËanje poteka v priporoËilni komponenti. V primerih, ko ni dovolj zgodovinskih podatkov ali je njihova kakovost vpra.ljiva, lahko skrbniki sis­tema vnesejo eno ali veË pravilnih (idealnih) re.itev za posamezno nalogo. Idealne re.itve se tako, poleg ostalih zgodovinskih podatkov, dodajo v MDP med grajenjem le­tega. Idealne re.itve si lahko predstav­ljamo kot seme, s katerim pospe.imo generiranje namigov. Velikokrat se zgodi, da uvedemo nove na­loge, za katere .e ne obstajajo podatki o re.evanju .tudentov. Idealne re.itve v omenjenih primerih izbolj.ajo uporabnost sistema. 4.4 PriporoËilna komponenta PriporoËilna komponenta uporablja zgrajen MDP in deluje kot agent pri uËenju. Kot vhod prejme po­izvedbo SQL, za katero .tudent aeli namig. Poizved­bo s pomoËjo komponente za procesiranje jezika SQL pretvori v drevesno strukturo. MDP se pridobi bodisi iz predpomnilnika bodisi prek komponente za gradnjo MDP. Ko ima komponenta v lasti objekt MDP, najprej izvede ujemanje najbliajega stanja glede na stanje .tudenta. Ujemanje poteka tako, da komponenta izvede Zhangov­Shashev algoritem za primerjanje drevesnih struktur (Zhang in Shasha, 1989) nad vsa­kim stanjem. Na koncu izbere stanje, ki je kar najbolj podobno stanju .tudenta, oziroma stanje, katerega drevesna struktura je najbolj enaka drevesni struk­turi poizvedbe .tudenta. »e najde ujemajoËe stanje, pregleda sosednja stanja. Pregled sosednjih stanj temelji na iskanju stanja z vi.jo oceno od trenutnega stanja. »e tak.nega sta­nja ni, ne moremo ponuditi uporabnega namiga, saj je .tudent v popolnoma napaËni veji re.evanja ali pa preprosto nimamo dovolj zgodovinskih podatkov. V tak.nih primerih zato kot namig ponudimo po­izvedbo enega izmed zaËetnih stanj z najvi.jo oceno. »e obstaja stanje z vi.jo oceno, loËimo dva primera. Prvi primer predstavlja stanje z vi.jo oceno, do ka­terega vodi povratna povezava. Povratna povezava nakazuje, da se .tudent nahaja v napaËni veji in da ga lahko usmerimo nazaj na eno izmed pravilnih poti re.evanja. Za usmerjanje nazaj na pravilno pot ni dovolj ponuditi namig za naslednje stanje z vi.jo oceno, saj je tak.no stanje .e vedno del napaËne veje re.evanja. Namesto tega se moramo vrniti do prvega skupnega prednika napaËne veje in pravilne veje. Ko najdemo skupnega prednika napaËne in pravilne veje re.evanja, pregledamo njegova sosednja stanja. Kot namig ponudimo sosednje stanje z najvi.jo oceno. Drugi primer predstavlja stanje z vi.jo oceno, do kate­rega vodi obiËajna povezava. Takrat preprosto ponu­dimo namig za naslednje stanje. V primeru veË stanj z vi.jo ocen izberemo tistega z najvi.jo. »e ne najdemo ujemajoËega stanja, ponudimo namig za najbliaje sta­nje, tj. stanje, ki je najbolj podobno stanju .tudenta. 4.5 Komponenta za evalvacijo poizvedb Kot komponento za evalvacijo poizvedb se uporablja obstojeËe orodje SQLer, razvito v okviru predme­ta Osnove podatkovnih baz za potrebe vrednotenja poizvedb. Orodje za delovanje potrebuje delujoËo povezavo s podatkovno bazo, v kateri so shranjene sheme, nad katerimi se preverjajo naloge. Orodje deluje na podlagi primerjave rezultatov poizvedbe .tudenta ter rezultatov idealne poizvedbe (re.itve naloge). Pri ocenjevanju se med drugim upo.tevajo odveËni atributi, odveËne vrstice, neustrezen vrstni red vrstic itd. 5 EVALVACIJA SISTEMA Evalvacija sistema je potekala na podlagi .tudije pri­merov. Primeri so bili izbrani glede na teaave, s kate­rimi se sreËujejo .tudentje, opisane v prvem razdelku. Testiranje je potekalo z uporabo obstojeËih zgodovin­skih podatkov o re.evanju nalog, saj nismo imeli na voljo moanosti testiranja v uËilnici. Testni podatki sluaijo le kot preprost vpogled v delovanje sistema. ©tudija primerov je potekala za dva scenarija: • .tudent se loti re.evanja naloge na popolnoma na­paËen naËin; • .tudent delno re.i nalogo in aeli namig za nadalj­nje re.evanje. Za vsak omenjeni scenarij so bile izbrane repre­ zentativne naloge s teaavnostnimi stopnjami od naj­laae do najteaje naloge. Poleg izbire naloge so bili iz­brani tudi ustrezni zgodovinski podatki, ki so sluaili kot .tudentov vnos k nalogam. 5.1 Scenarij 1: napaËen pristop k re.evanju V okviru prvega scenarija smo preverjali, do kolik.ne mere je sistem sposoben ponuditi namig, Ëe .tudent ubere popolnoma napaËen pristop k re.evanju nalo­ge. Rezultati testiranja so podani v tabeli 1. Tabela 1: ©tudija primerov za scenarij 1 Idealna re.itev Re.itev .tudenta Prvi in drugi namig SELECT COUNT (*) SELECT * FROM ODDELEK; SELECT COUNT (*) FROM zaposleni, oddelek FROM zaposleni WHERE zaposleni.ID_oddelek = oddelek.ID_oddelek WHERE ID_oddelek AND oddelek.Ime = ’SALES’; SELECT COUNT (*) FROM zaposleni WHERE ID_oddelek IN ( SELECT ID_oddelek ) SELECT * SELECT z1.id_zaposleni, z1.priimek, z1. ime, z1.vzdevek, SELECT * FROM Zaposleni COUNT(z1.ID_zaposleni) FROM Zaposleni WHERE ID_oddelek WHERE ID_oddelek IN ( FROM zaposleni z1, zaposleni z2 SELECT ID_oddelek WHERE z1.ID_oddelek = 30 SELECT * FROM Zaposleni FROM zaposleni GROUP BY ID_oddelek WHERE ID_oddelek = 30 HAVING COUNT(ID_oddelek) > 3 AND ID_oddelek = 30 ); SELECT * SELECT MAX(z.Placa) SELECT * FROM Zaposleni FROM ZAPOSLENI z, DELO d FROM ZAPOSLENI z1 WHERE Placa > ( WHERE z.ID_Delo = d.ID_Delo AND d.Funkcija = WHERE Placa SELECT MAX(Placa) ’SALESPERSON’ FROM Zaposleni, Delo SELECT * WHERE Zaposleni.ID_delo = FROM ZAPOSLENI z1 Delo.ID_delo AND Funkcija = WHERE Placa > ALL ( ’Salesperson’ SELECT z2.Placa ) ); Opazimo, da sistem ponuja namige, ki obsegajo zaËetne dele poizvedb. Razlog je v tem, da se .tudent nahaja v popolnoma napaËni veji, iz katere ga ne mo­remo preusmeriti nazaj do pravilne veje. Zato mu, kot je ae bilo omenjeno, ponudimo namig za eno izmed zaËetnih stanj. Dolaina, do katere prei.Ëemo zaËetna stanja za iskanje najbolj optimalnega stanja, je eden izmed parametrov sistema. V sklopu testira­nja je bil parameter nastavljen na 2, kar pomeni, da prei.Ëemo zaËetno stanje in njegove naslednike. Iz prve vrstice tabele 1 je razvidno, da sistem .tudenta z namigi ne usmerja po poti idealne re.itve, temveË po poti re.itve drugega .tudenta, kar je zaaeleno, saj tako .tudent preizkusi tudi nove naËine re.evanja. 5.2 Scenarij 2: dopolnjevanje re.itve z namigi Scenarij 2 predstavlja poloaaj, ko .tudent delno re.i nalogo, nato pa ne zna nadaljevati z re.evanjem. Raz­mere narekujejo generiranje namiga, ki .tudentu po­maga v pravo smer re.evanja. Rezultati testiranja so prikazani v tabeli 2. Prvi primer (vrstica) prikazuje vraËanje iz napaËne veje re.evanja. ©tudent je pozabil opraviti stik s tretjo tabelo in se zna.el v napaËni veji. Sistem ga je pravilno opozoril z namigom, ki zahteva uporabo dodatne tabele. Druga vrstica tabele prika­zuje preprosto operacijo spremembe pogoja v sklopu poizvedbe WHERE. Sprememba obenem spremeni poizvedbo .tudenta v pravilno re.itev. Tretja vrstica demonstrira dopolnitev vgnezdene poizvedbe. Tabela 2: ©tudija primerov za scenarij 2 Idealna re.itev Re.itev .tudenta Namig SELECT COUNT (*) SELECT COUNT(Z.ID_Zaposleni) SELECT COUNT(z1.ID_zaposleni) FROM zaposleni z, oddelek o, lokacija l FROM Zaposleni Z, Lokacija L WHERE Regija= FROM zaposleni z1, lokacija l1, WHERE z.ID_oddelek = o.ID_oddelek AND o.ID_lokacija = ’DALLAS’ oddelek o1 l.ID_lokacija AND Regija = ’DALLAS’ GROUP BY Regija; SELECT z.Priimek , n.Priimek SELECT z1.priimek, z2.priimek SELECT z1.priimek , z2. priimek FROM zaposleni z, zaposleni n FROM zaposleni z1, zaposleni z2 FROM zaposleni z1, zaposleni z2 WHERE z.ID_nadrejeni = n.ID_zaposleni; WHERE z2.id_zaposleni = z1.id_zaposleni WHERE z2.id_zaposleni = z1.id_nadrejeni SELECT * FROM zaposleni WHERE Placa = ( SELECT MAX(Placa) FROM zaposleni WHERE Placa < ( SELECT MAX(Placa) FROM Zaposleni ) ); SELECT * FROM zaposleni WHERE placa = ( SELECT max(placa) ) SELECT * FROM zaposleni WHERE Placa = ( SELECT MAX(Placa) FROM zaposleni ) 6 SKLEP V okviru raziskave je bil razvit adaptivni sistem za laj.anje uËenja jezika SQL. Sistem uporablja znanje, skrito v preteklih poskusih re.evanja nalog iz jezika SQL za konstrukcijo zbirke znanja, ki se uporablja za generiranje namigov. Za uporabo znanja ter napove­dovanja naslednjega ugodnega stanja se uporabljajo odloËitveni procesi Markova, ki omogoËajo napove­dovanje v negotovih razmerah. Dodatno lahko ge­neriranje namigov pospe.imo z idealnimi re.itvami uËiteljev, ki sluaijo kot zaËetna zbirka znanja. Preprosta evalvacija sistema iz petega razdelka kaae, da je sistem zmoaen generirati uporabne na­mige in s tem vsaj do doloËene mere pospe.iti uËe­nje jezika SQL. Poleg scenarijev, opisanih v petem razdelku obstajajo okoli.Ëine, v katerih sistem ni zmoaen ponuditi uporabnega namiga. Razlog je v pomanjkanju zgodovinskih podatkov oziroma vari­abilnosti le­teh. TipiËen primer je kompleksna re.itev .tudenta, z mnogimi vgnezdenimi poizvedbami. Obstaja velika verjetnost, da nihËe ni re.eval naloge na podoben naËin, zato sistem ni zmoaen opraviti ujemanja z bolj.im stanjem. Namigi v tak.nih prime­rih vodijo .tudenta nazaj v eno izmed zaËetnih stanj in potemtakem niso uporabni. Moanih izbolj.av je veË. Ena pomembnej.ih je zamenjava naËina ujema­nja med stanji. Trenutno ujemanje poteka z uporabo striktnega algoritma za primerjanje drevesnih struk­tur. Bolj.a alternativa bi bila, da bi doloËili kljuËne objekte iz vsake poizvedbe in nato opravili ujemanje med tak.nimi objekti. Morebitna dodatna slabost sistema je v gene­riranju korakov re.itve oziroma v predpostavki, da .tudentje re.ujejo poizvedbo po sklopih. Kot je razvidno iz rezultatov testiranj, so namigi moËno usmerjeni v re.evanje po pristopu od zgoraj nav­zdol zaradi narave korakov re.itev. Zaradi omejenih zgodovinskih podatkov smo bili primorani sprejeti omenjeno predpostavko re.evanja po sklopih. »e bi sistem uporabljali v prihodnosti, bi lahko zamenja­li strategijo generiranja korakov re.itev s sprotnim po.iljanjem poizvedb na streanik. Tako bi dobili bolj realne podatke o postopku re.evanja .tudentov. 7 LITERATURA [1] Aleven, V., McLaren, B. M., Sewall, J. (2009). Scaling Up Pro­gramming by Demonstration for Intelligent Tutoring Systems Development: An Open-Access Web Site for Middle School Mathematics Learning. Ieee Transactions on Learning Tech­nologies, 2(2), 64‡78. doi:10.1109/tlt.2009.22. [2] Anderson, J. R., Corbett, A. T., Koedinger, K. R., Pelletier, R. (1995). Cognitive tutors: Lessons learned. The journal of the learning sciences, 4(2), 167‡207. [3] Barnes, T. M., Stamper, J. C., Lehman, L., Croy, M. (2008). A pilot study on logic proof tutoring using hints generated from historical student data. V R. S. J. d. Baker, T. Barnes in J. E. Beck (ur.). Proceedings from EDM’08: The 1st International Conference on Educational Data Mining (str. 197‡201). Mon­treal, Quebec, Canada. [4] Fournier-Viger, P., Nkambou, R., Nguifo, E. M., Mayers, A., Faghihi, U. (2013). A Multiparadigm Intelligent Tutoring Sy­stem for Robotic Arm Training. Ieee Transactions on Learning Technologies, 6(4), 364‡377. doi:10.1109/tlt.2013.27. [5] Jarvis, M. P., Nuzzo-Jones, G., Heffernan, N. T. (2004). Applying machine learning techniques to rule generation in intelligent tutoring systems. V J. C. Lester, R. M. Vicari in F. Paraguaçu (ur.). Proceedings from ITS 2004: Intelligent Tuto­ring Systems: 7th International Conference, proceedings (str. 541‡553). Maceió, Alagoas, Brazil: Springer. [6] Martin, B. I. (2002). Intelligent Tutoring Systems: The practical implementation of constraint-based modelling (Doctoral dis­sertation). University of Canterbury: New Zealand. [7] Matek, T. (2015). Adaptive system for learning SQL language (BSc). University of Ljubljana, Slovenia. [8] Mitrovic, A. (1998). Learning SQL with a computerized tutor. ACM SIGCSE Bulletin, 30(1), 307‡311. [9] Mitrovic, A. (2010). Modeling Domains and Students with Constraint-Based Modeling. V R. Nkambou, J. Bourdeau, in R. Mizoguchi (ur.), Advances in Intelligent Tutoring Systems (str. 63‡80). Berlin, Heidelberg: Springer Berlin Heidelberg. [10] Mitrovic, A., Martin, B., Suraweera, P. (2007). Intelligent tutor for all: The constraint-based approach. Ieee Intelligent Sy­stems, 22(4), 38‡45. doi:10.1109/mis.2007.74. [11] Mitrovic, A., Ohlsson, S. (2006). Constraint-based knowledge representation for individualized instruction. Computer Sci­ence and Information Systems, 3, 1‡22. [12] Mitrovic, A., Ohlsson, S., Barrow, D. K. (2013). The effect of positive feedback in a constraint-based intelligent tutoring system. Computers & Education, 60(1), 264‡272. [13] Parr, T. J., Quong, R. W. (1995). ANTLR ‡ A Predicated-LL(k) parser generator. Software-Practice & Experience, 25(7), 789‡810. [14] Polson, M. C., Richardson, J. J. (2013). Foundations of intelli­gent tutoring systems: Psychology Press, L. Erlbaum Associ­ates Inc. [15] Prior, J. C., Lister, R. (2004). The backwash effect on SQL skills grading. ACM SIGCSE Bulletin, 36(3), 32‡36. [16] Stamper, J. C., Barnes, T. M., Croy, M. (2011). Enhancing the automatic generation of hints with expert seeding. International Journal of Artificial Intelligence in Education, 21(1‡2), 153‡167. [17] Zhang, K., Shasha, D. (1989). Simple fast algorithms for the editing distance between trees and related problems. SIAM journal on computing, 18(6), 1245‡1262. • Tadej Matek je leta 2015 diplomiral na podroËju raËunalni.tva in informatike na Fakulteti za raËunalni.tvo in informatiko Univerze v Ljubljani, kjer opravlja .tudij druge stopnje. PodroËja, ki ga zanimajo in s katerimi se ukvarja, so strojno uËenje, analiza omreaij, inteligentni sistemi in agenti, poizvedovanje po podatkih ter razvoj informacijskih sistemov. • Dejan LavbiË je leta 2010 doktoriral na podroËju raËunalni.tva in informatike na Fakulteti za raËunalni.tvo in informatiko Univerze v Ljubljani, kjer je zaposlen kot docent. Na raziskovalnem podroËju se ukvarja z inteligentnimi agenti, veËagentnimi sistemi, ontologijami, poslovnimi pravili, semantiËnim spletom, odkriva­njem plagiatorstva s pomoËjo socialnih omreaij, kakovostjo informacij in naprednimi pristopi za porazdelitev podatkov. Sodeloval je pri .tevilnih gospodarskih in raziskovalnih projektih s podroËja strate.kega planiranja, metodologij razvoja informacijskih sistemov, uporabe inteligentnih agentov, avtomatizacije poslovnih procesov in obvladovanja ter porazdelitve velike koliËine podatkov. Dvajseta obletnica ustanovitveFakultete za raËunalni.tvo in informatiko Univerze v Ljubljani Fakulteta za raËunalni.tvo in informatiko Univerze v Ljubljani je 25. maja 2016 praznovala dvajseto obletnico svoje ustanovitve. Pred dvajsetimi leti se je do tedaj skupna Fakulteta za elektrotehniko in raËunalni.tvo razdelila na dve fakulteti. ©tudij raËunalni.tva se je v Sloveniji zaËel ae veliko prej. Kot samostojna .tudijska smer se je zaËel izvajati leta 1973, po drugem letniku .tudija elektrotehnike, povsem samostojen pa je .tudij raËunalni.tva in informatike postal leta 1981. Na praznovanju dvajsetletnice fakultete je slavnostni govornik njen nekdanji dekan prof. dr. Franc Solina opisal razvoj fakultete ter zaËetke .tudija raËunalni.tva in informatike v Sloveniji. Spo.tovani cenjeni gostje, kolegice in kolegi, dovolite, da najprej povem, kako sem sam za.el v raËunalni.tvo, saj v mojih gimnazijskih letih na zaËet­ku sedemdesetih let preteklega stoletja raËunalni.tvo .e ni bilo neko obËe priznano .tudijsko podroËje, o katerem bi bilo mogoËe razmi.ljati kot o svojem poklicu. Toda imel sem sreËo, da je na beaigrajski gimnaziji takrat obstajal izbirni predmet Uvod v raËunalni.tvo, ki sta ga pouËevala profesorja Ivan Bratko in Vladislav RajkoviË. Spomnim se, da se je eden od takratnih profesorjev matematike na gim­naziji Ëudil, zakaj je med dijaki tak.no zanimanje za raËunalni.tvo in programiranje, saj je napovedal, da bo vsa Slovenija v prihodnosti potrebovala najveË tri do .tiri raËunalnike. Toda take, z dana.nje perspekti­ve povsem zgre.ene napovedi, sploh niso bile redke. Ken Olsen, direktor Digital Equipment Corporation, podjetja, ki je bilo takrat eno od najbolj prestianih proizvajalcev raËunalnikov, je .e leta 1977 izjavil, da si ne more predstavljati, zakaj bi si kdor koli aelel imeti raËunalnik doma! Danes tako rekoË vsi ne le da imamo raËunalnike doma, v obliki mobilnih telefonov jih ves Ëas nosimo s seboj. Morda ni veË daleË Ëas, ko bomo imeli raËu­nalnike vgrajene v svoja telesa? Toda ne aelim prehitevati in ugibati, kam nas bo ta izredno hitri razvoj raËunalni.tva odnesel v priho­dnosti. Moja dana.nja naloga je, da se ozrem v pre­teklost, da bi laaje razumeli, kako smo pri.li do tre­nutka, ko proslavljamo dvajseto obletnico Fakultete za raËunalni.tvo in informatiko. Zato se bomo morali ozreti .e dlje v preteklost kot le do leta 1996, saj se je raËunalni.tvo kot akademska disciplina zaËelo na Univerzi v Ljubljani razvijati ae veliko prej. Naj ae takoj na zaËetku poudarim, da pri razvoju raËunalni.tva kot akademske discipline v Sloveniji nismo zaostajali za razvitim svetom. RaËunalni.tvo kot mlada disciplina se je tudi v svetu zaËelo razvija­ti, ko smo ae imeli svojo lastno univerzo. Seveda v same zaËetke razvoja raËunalni.tva, ki so jih zaznamovali ENIAC v ZDA, Colossus v Veliki Britaniji in Zusejev raËunalnik v NemËiji, nismo mo­gli poseËi, saj so bili prvi raËunalniki tesno poveza­ni z voja.kimi cilji med drugo svetovno vojno. Toda kmalu potem ko so na trai.Ëu postali dosegljivi prvi serijsko narejeni raËunalniki, so se ti pojavili tudi v Sloveniji. Prvi uporabniki raËunalnikov v Sloveniji so bili tehniki in naravoslovci, po tehnolo.ki plati so se z raËunalniki zaËeli ukvarjali predvsem elektrotehniki, po teoretski pa matematiki. Kot drugje po svetu se je zato raËunalni.tvo tudi v Ljubljani zaËelo razvijati v teh okoljih, tako na univerzi kot na In.titutu Joaef Stefan. Za prvi raËunalnik v Sloveniji velja Zuse Z23, ki ga je In.titut Joaef Stefan kupil leta 1962. Na univer­zi oziroma fakulteti pa smo prvi raËunalnik dobili leta 1971, to je bil IBM 1130, na katerem sem .e jaz, INFORMACIJE najprej kot dijak in kasneje kot .tudent, naredil prve programerske korake. PreuËevanje in raziskovanje raËunalni.ke tehnologije pa se je zaËelo ae vsaj deset let prej, bolj intenzivno predvsem po letu 1960, ko je bila ustanovljena samostojna Fakulteta za elektroteh­niko in v njenem okviru Oddelek za .ibki tok. Izredno pomembna spodbuda razvoju raËunal­ni.tva v Sloveniji je bila organizacija prestiane kon­ference IFIP leta 1971 v Ljubljani, ki jo je po zaslu­gi uspe.nega lobiranja profesorjev Leskovarja in Aeleznikarja dobila Ljubljana in ne Beograd kot ta­kratni politiËni in upravni center Jugoslavije. Sam sem .ele pred nekaj leti spoznal, koliko velikih sve­tovnih pionirjev raËunalni.tva se je takrat zaradi konference IFIP zbralo v Ljubljani. ©tudij raËunalni.tva se je na ljubljanski univer­zi zaËel leta 1973 kot samostojna .tudijska smer po druhgem letniku .tudija elektrotehnike na Fakulteti za elektrotehniko. Leta 1978 sta se Fakulteta za ele­ktrotehniko in Oddelek za matematiko na tedanji Fakulteti za naravoslovje in tehnologijo dogovorila, da se samostojni .tudij raËunalni.tva na Univerzi v Ljubljani zaËne na Fakulteti za elektrotehniko, tako da strokovne raËunalni.ke predmete prevzame Ka­tedra za raËunalni.tvo in informatiko na Fakulteti za elektrotehniko, matematiËne predmete pa Oddelek za matematiko na takratni Fakulteti za naravoslovje in tehnologijo. Samostojni .tudij raËunalni.tva od prvega letnika naprej se je zaËel izvajati leta 1981 in se je od takrat naprej le .e krepil tako po .tevilu .tudentov kot uËi­teljev. ©tudij se je po drugem letniku razdelil na tri smeri: programska oprema, raËunalni.ka logika in sistemi ter informatika. Leta 2004 se je skupaj z Od­delkom za matematiko zaËel izvajati tudi interdisci­plinarni .tudij raËunalni.tva in matematike. Fakul­teta je uspe.no razvijala tudi podiplomske .tudijske programe. Izvajali smo dva magistrska podiplomska programa, in sicer RaËunalni.tvo in informatika ter Informacijski sistemi in odloËanje, ki je bil usmerjen bolj poslovno. Nato je sledila bolonjska reforma, ki smo jo na fa­kulteti izpeljali dokaj racionalno, brez nepotrebnega podvajanja .tudijskih programov. Takrat za razvoj raËunalni.tva ae omejujoËo delitev na tri .tudijske smeri smo presegli z enotnim in veËjim .tevilom izbirnih predmetov oziroma modulov, prej.nje ma­gistrske podiplomske .tudije pa je nadomestil nov doktorski .tudijski program. Uspe.no smo se vkljuËi­li tudi v interdisciplinarne in mednarodne .tudijske programe. ©tudij raËunalni.tva in informatike je bil do sedaj vedno bolj mo.ka zadeva, le na prehodu iz osemde­setih v devetdeseta leta prej.njega stoletja je kot po­sledica usmerjenega izobraaevanja v srednjih .olah nekaj let delea deklet na raËunalni.tvu narastel na skoraj petdeset odstotkov. Med mnoaico pedago.kih sodelavcev, ki so gra­dili in izvajali omenjene .tudijske programe, bi rad omenil tri, zdaj ae pokojne profesorje raËunalni.tva, ki so sodili v prvo generacijo uËiteljev na tem .tudiju. To so bili prof. Slavko Hodaar, prvi predstojnik Ka­tedre za raËunalni.tvo in informatiko, ki je bila leta 1975 ustanovljena na Fakulteti za elektrotehniko, prof. Silvin Leskovar in prof. Jernej Virant. Razvoj informacijske tehnologije je gonilo ra­zvoja raËunalni.tva. Gledano s tehnolo.kega vidi­ka bi zato lahko kot prvo razvojno obdobje .tudija raËunalni.tva .teli obdobje pred osebnimi raËunalni­ki, ko je bil dostop do raËunalnikov .e zelo omejen. Prvi raËunalniki so bile velike naprave, ki so jim bile namenjene cele dvorane, stregli pa so jim operaterji v belih haljah. Sam sem kot .tudent .e luknjal kar­tonaste kartice, diplomo pa sem ae lahko delal sa­mostojno na delovni postaji, toda veËinoma v drugi polovici noËi, saj so bili raËunalniki takrat .e pre­veË malo.tevilni, da bi jih Ëez dan lahko uporabljali .tudenti. Sledilo je obdobje osebnih raËunalnikov, ko so se raËunalniki postopoma zaËeli pojavljati na vseh de­lovnih mizah in tudi doma. Takrat so se na fakulteti pojavile prve uËilnice z osebnimi raËunalniki, tako da se je praktiËno delo z raËunalniki lahko resno za­Ëelo pri vseh raËunalni.kih predmetih. Tudi vse veË na.ih .tudentov si je postopoma omislilo lastne raËu­nalnike. Naslednji velik tehnolo.ki preskok je pomenil po­jav interneta in svetovnega spleta, kar je zelo olaj.alo poleg dostopa do literature in informacij tudi dostop do raznovrstne programske opreme in njenih te­koËih posodobitev. Osebne raËunalnike so pri na.ih .tudentih postopoma zamenjali prenosni raËunalni­ki. Danes smo oËitno v obdobju mobilne tehnologije s tablicami in predvsem inteligentnimi mobilnimi te­lefoni ter zaradi tega nenehne dosegljivosti. V skladu s tehnolo.kim razvojem so se razvijala tudi raziskovalna podroËja na fakulteti. Na zaËetku je bil glavni poudarek na strojni opremi. Ne nazadnje tudi zato, ker so .e v Ëasu Jugoslavije v Sloveniji ob­stajali ambiciozni nastavki industrije raËunalni.ke opreme. Hkrati se je krepilo teoretiËno raËunalni.tvo, tako da glede tega nismo bili veË povsem odvisni od matematikov. Ae zelo zgodaj se je zaËelo razvijati raziskovalno podroËje umetne inteligence, zaradi ka­terega ima ljubljanska fakulteta za raËunalni.tvo tudi najveËji mednarodni ugled. S .iritvijo uporabe raËu­nalnikov v gospodarstvu in javni upravi pa se je na fakulteti uspe.no zaËela razvijati tudi informatika. RaËunalniki se danes .irijo na skoraj vsa podroËja aivljenja. Ker se vedno veË podatkov ‡ od raznora­znih meritev, besedil, govora, zvoka in slikovnega gradiva ‡ seli v digitalno obliko oziroma se v vedno veËji meri kar rojeva v digitalni obliki, se odpira­jo moanosti za analizo in interpretacijo te ogromne koliËine podatkov s pomoËjo raËunalni.kih metod. Novej.a podroËja, na katera prodirajo raËunalniki, so na primer analiza genetskih podatkov in digital­na humanistika. RaËunalniËarji, ki razvijamo nove metode, postajamo zato vedno bolj interdisciplinar­ni. Tudi na gospodarskem podroËju so raËunalniËarji pogosto tisti, ki so zaradi svojega globljega vpogleda v zmoanosti raËunalni.ke analize ustanovili .tevilna uspe.na zagonska podjetja. Mnogi na.i diplomanti so zato tudi med ustanovitelji novih podjetij. Zaradi na.ega zavedanja o pomenu raËunalni.tva in informatike za uspe.en razvoj sodobne druabe na.a fakulteta na to redno opozarja in daje pobude za veËjo vlogo raËunalni.kega izobraaevanja ae v osnovnih .olah. Danes ni dovolj le znati uporabljati raËunalnik, danes bi se moral vsak .olar nauËiti programirati, da bi usvojil algoritmiËen naËin razmi.ljanja, ki v bistvu .ele omogoËa res kreativno uporabo raËunalnikov. Da bi okrepili to zavedanje med mladimi generacijami, na.a fakulteta ae vrsto let organizira poletne delavni­ce za osnovno.olce in dijake. RaËunalni.tvo je ena od najbolj propulzivnih mo­dernih disciplin. Zato ustanovitev samostojne fakul­tete pred dvajsetimi leti ni bila vpra.ljiva. Prvi zunanji znak vedno veËje vloge raËunalni.tva je bilo ae pre­imenovanje Fakultete za elektrotehniko v Fakulteto za elektrotehniko in raËunalni.tvo leta 1989. ©tevilo .tudentov raËunalni.tva je iz leta v leto nara.Ëalo, toda zaradi prostorskih omejitev ni bilo veË mogoËe poveËevati vpisa, primanjkovalo je tudi prostora za raziskovalne laboratorije. Prof. Du.an Kodek je v teh okoli.Ëinah prevzel pobudo in organiziral ustanovi­tev samostojne Fakultete za raËunalni.tvo in infor­matiko, katere dvajsetletnico praznujemo danes, in postal njen prvi dekan. Takoj po ustanovitvi samostojne fakultete smo za­Ëeli iskati re.itev na.ih prostorskih teaav. Najprej smo iskali lokacijo za novo stavbo v bliaini Fakultete za elektrotehniko, Fakultete za matematiko in fiziko ter Instituta Joaef Stefan. Aal so vse moane lokacije v ti­stem okolju zahtevale predhodno re.itev denacionali­zacijskih postopkov, ki pa so se radi zapletli in zavle­kli. Zato je bila odloËitev, da s Fakulteto za kemijo in kemijsko tehnologijo zdruaimo napore pri re.evanju prostorskih teaav, zelo modra. Tako smo pri.li tudi do evropskega financiranja skupne gradnje. Od po­gajanj v zvezi z lokacijo, arhitekturnim naËrtovanjem, financiranjem in konËno do konËanja gradnje je prete­klo kar nekaj let. Toda danes lahko z uaitkom delamo v prekrasnih novih prostorih. VËasih imam obËutek, da se je .ele s selitvijo v novo stavbo res konËal pro­ces ustanavljanja nove fakultete, saj je fakulteta s tem dosegla tudi jasno fiziËno identiteto v slovenskem visoko.olskem prostoru in v javnosti nasploh. Za fakulteto se je s selitvijo zaËelo novo razvojno obdobje. V na.e .tudijske programe si aelimo prite­gniti .e bolj.e kandidate, ne le iz Slovenije, ampak iz .ir.ega mednarodnega okolja. Prav tako aelimo okrepiti mednarodno sodelovanje na.ih uËiteljev in raziskovalcev, pridobiti veË raziskovalnih projektov iz evropskih programov in iz gospodarstva. Danes ima veË kot pet na.ih uËiteljev doktorate z uglednih tujih univerz, nekateri na.i diplomanti pa zasedajo uËiteljska mesta na prestianih tujih univerzah. Geslo za na.o neposredno prihodnost je torej internaciona­lizacija. Toda internacionalizacija ne sme biti sama sebi namen, smiselna je le v sluabi izbolj.evanja celo­vite kakovosti slovenskega visoko.olskega prostora. Da bi na.e cilje dosegli hitreje in z njimi segli .e vi.je, pa po mojem globokem prepriËanju potrebuje­mo svobodno akademsko okolje, kar pomeni zado­stno in stabilno financiranje za na.e delovanje. Pred­vsem pa si aelim delovnega vzdu.ja brez odveËnega administriranja in utesnjujoËih normativov. Pretira­na uniformiranost ubija kreativnost, zato naj vsak Ëlan na.e akademske skupnosti daje zgled drugim predvsem z lastnim delovanjem in ne z izmi.ljanjem novih in novih pravil obna.anja, ki jih nato aelijo vsi­liti .e vsem ostalim. Vivat, crescat, floreat academia! Franc Solina informacije VËlanite se v Slovensko dru.tvo INFORMATIKA Pristopna izjava za Ëlanstvo v Slovenskem dru.tvu INFORMATIKA DDV je vkljuËen v Ëlanarino. NaroËilnica na revijo UPORABNA INFORMATIKA NaroËnina zna.a: 35,00 € za fiziËne osebe 85,00 € za pravne osebe ‡ prvi izvod 60,00 € za pravne osebe ‡ vsak naslednji izvod 15,00 € za .tudente in seniorje (ob predloaitvi dokazila o statusu) DDV je vkljuËen v naroËnino.