<?xml version="1.0"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/"><rdf:Description rdf:about="https://dk.um.si/IzpisGradiva.php?id=98644"><dc:title>Poslovno poročanje in vizualizacija podatkov v dobi umetne inteligence</dc:title><dc:creator>Anastasova,	Veronika	(Avtor)
	</dc:creator><dc:creator>Sternad Zabukovšek,	Simona	(Mentor)
	</dc:creator><dc:subject>poslovno poročanje</dc:subject><dc:subject>poslovna inteligenca</dc:subject><dc:subject>vizualizacija podatkov</dc:subject><dc:subject>umetna inteligenca</dc:subject><dc:subject>poslovno odločanje</dc:subject><dc:description>Magistrsko delo obravnava poslovno poročanje in vizualizacijo podatkov v dobi umetne inteligence. Izhodišče dela je, da organizacije razpolagajo z vedno večjimi količinami podatkov, vendar podatki sami po sebi še ne zagotavljajo kakovostnega odločanja. Uporabni postanejo šele takrat, ko so ustrezno zbrani, obdelani, povezani, analizirani, predstavljeni in interpretirani v poslovnem kontekstu. Zato se delo osredotoča na pomen kakovostnih podatkov, jasnih poročil, ustreznih kazalnikov in preglednih vizualizacij za razumevanje poslovnih informacij.
V delu so predstavljeni razvoj poslovnega poročanja, arhitektura sistemov poslovnega poročanja, vrste poročil, temeljna načela učinkovitega poročanja in koncept poslovne inteligence. Pomemben del magistrskega dela predstavlja vizualizacija podatkov. Obravnavani so primeri dobrih in slabih praks, kot so neustrezna uporaba grafov, preobremenjeni prikazi, zavajajoča uporaba barv, slikovni elementi in nepregledne tabele. Pri posameznih primerih so predstavljene tudi ustreznejše rešitve, na primer enostavni stolpčni grafi, jasnejše barvne lestvice in preglednejša struktura poročil. S tem delo pokaže, da način predstavitve podatkov neposredno vpliva na razumevanje, interpretacijo in uporabnost informacij.
Poseben poudarek je namenjen tudi umetni inteligenci in njenemu vplivu na poslovno poročanje. V delu so predstavljene razlike med umetno inteligenco, strojnim učenjem, globokim učenjem in generativno umetno inteligenco. Hkrati delo opozarja na tveganja, povezana z uporabo umetne inteligence, predvsem na možnost napačnih ali nepreverjenih rezultatov, odvisnost od kakovosti vhodnih podatkov in potrebo po človeškem nadzoru.
Na podlagi obravnavane literature, teoretičnih izhodišč in analiziranih primerov je ugotovljeno, da učinkovita vizualizacija in interpretacija podatkov izboljšata razumevanje poslovnih informacij ter podpirata kakovostnejše odločanje. Nasprotno lahko neustrezno oblikovana poročila in slabe vizualizacije povzročijo napačne interpretacije, tudi kadar so podatki pravilni. Umetna inteligenca lahko pomembno nadgradi poslovno poročanje, vendar le, če temelji na kakovostnih podatkih, preverljivih virih, jasnih metodoloških izhodiščih in odgovorni strokovni presoji uporabnikov.</dc:description><dc:publisher>V. Anastasova]</dc:publisher><dc:date>2026</dc:date><dc:date>2026-06-27 10:55:21</dc:date><dc:type>Magistrsko delo/naloga</dc:type><dc:identifier>98644</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>
