poslovna analitika i...

POSLOVNA ANALITIKA I OPTIMIZACIJAPOSLOVNA ANALITIKA I OPTIMIZACIJADESKRIPTIVNA ANALITIKA

Marija Kuzmanović

OPTIMIZACIJA

Diplomske akademske studijePoslovna analitika

OPTIMIZACIJA

SADRŽAJ

Poslovna analitika (PA) Poslovna analitika (PA)

Pojam PA

Evolucija PA

Područja PA

Poslovni analitičar

Deskriptivna analitika (DA)

Pojam DA Pojam DA

Primene

Metode i tehnike

DA kroz Excel

INFORMACIJE O PREDMETU

Polaganje ispita Polaganje ispita

Aktivnosti na času i domaći zadaci – 10%

Projektni zadatak (studija slučaja) – 60%

Prezentacija studije slučaja – 10%

Teorijski deo – 20%

Nastavnici Nastavnici

Prof. dr Mirko Vujošević

Prof. dr Dragana Makajić-Nikolić

Prof. dr Marija Kuzmanović

Prof. dr Gordana Savić

Doc. dr Biljana Panić

Saradnici Saradnici

Bisera Andrić-Gušavac

Milena Popović

Minja Marinović

Andrijana Bačević

POSLOVNA ANALITIKA - POTREBA

Odluke o asortimanu i ceni proizvoda, o tome koliko radnika Odluke o asortimanu i ceni proizvoda, o tome koliko radnika resurse, da li i koliko uložiti u reklamiranje, da li ili ne

Značajne ekonomske posledice odluka – postojanje

Potrebne dobre i pravovremene informacije, kao i podrška u donošenju ključnih odluka.

Savremeno poslovanje – kompleksnost

Prevelika količina nestruktuiranih ili slabo struktuiranih podataka i informacija. Prevelika količina nestruktuiranih ili slabo struktuiranih podataka i informacija.

Podaci potrebni za donošenje odluka, uključujući one koje preduzeće samo prikupi iz internih izvora ili one koje prikupi putem interneta i društvenih mreža, rastu eksponencijalno i stoga ih je sve teže razumeti i koristiti.

POTREBA

o asortimanu i ceni proizvoda, o tome koliko radnika treba zaposliti, kako raspodelitio asortimanu i ceni proizvoda, o tome koliko radnika treba zaposliti, kako raspodelitiu reklamiranje, da li ili ne izvršiti kapitalne investicije i slično.

postojanje neizvesnosti i nedostatka informacija.

dobre i pravovremene informacije, kao i podrška u donošenju ključnih odluka.

količina nestruktuiranih ili slabo struktuiranih podataka i informacija. količina nestruktuiranih ili slabo struktuiranih podataka i informacija.

potrebni za donošenje odluka, uključujući one koje preduzeće samo prikupi iz internih izvora ili one koje prikupi putem interneta i društvenih mreža, rastu eksponencijalno i stoga

POSLOVNA ANALITIKA - POJAM

Termin analitika se koristi za klasični saznajni proces koji Termin analitika se koristi za klasični saznajni proces koji

počinje od prikuplјanja i analize podataka u cilјu utvrđivanja činjenica, zatim

uklјučuje otkrivanje zakona (obrazaca) koji postoje između promenlpredstavlјenjene podacima i

završava se formiranjem teorije

S obzirom na sve veće količine podataka (tzv. sofisticiranih naučnih metoda i moćnih računarskih resursa za njihovo sakuplS obzirom na sve veće količine podataka (tzv. sofisticiranih naučnih metoda i moćnih računarskih resursa za njihovo sakuplliteraturi i praksi se kao sinonim za analitiku često koristi termin nauka o podacima (Science), a kada su u pitanju podaci iz oblasti poslovanja, u pitanju je poslovna analitika (Business analytics).

Termin analitika se koristi za klasični saznajni proces koji Termin analitika se koristi za klasični saznajni proces koji

u utvrđivanja činjenica, zatim

otkrivanje zakona (obrazaca) koji postoje između promenlјivih veličina koje su

obzirom na sve veće količine podataka (tzv. Big data) koje se analiziraju, veliki broj sofisticiranih naučnih metoda i moćnih računarskih resursa za njihovo sakupl anje i obradu, u

obzirom na sve veće količine podataka (tzv. Big data) koje se analiziraju, veliki broj sofisticiranih naučnih metoda i moćnih računarskih resursa za njihovo sakuplјanje i obradu, u literaturi i praksi se kao sinonim za analitiku često koristi termin nauka o podacima (Data

), a kada su u pitanju podaci iz oblasti poslovanja, u pitanju je analitika poslovanja ili

POSLOVNA ANALITIKA - POJAM

Poslovna analitika je relativno nov termin koji podrazumeva primenu informacionih Poslovna analitika je relativno nov termin koji podrazumeva primenu informacionih tehnologija, statističke analize, kvantitativnih metoda i matematičkih i računarskih modela u analizi podataka, a u cilju povećanja efikasnosti upravlorganizacionim sistemima.

Alati i tehnike poslovne analitike su našli primenu u brojnim oblastima širokog spektra organizacija u cilju unapređenja upravljanja odnosima sa klijentima, unapređenja finansijskih i marketinških aktivnosti, upravljanja ljudskim resursima, lancima organizacija u cilju unapređenja upravljanja odnosima sa klijentima, unapređenja finansijskih i marketinških aktivnosti, upravljanja ljudskim resursima, lancima snabdevanja i slično.

relativno nov termin koji podrazumeva primenu informacionih relativno nov termin koji podrazumeva primenu informacionih tehnologija, statističke analize, kvantitativnih metoda i matematičkih i računarskih modela u analizi podataka, a u cilju povećanja efikasnosti upravlјanja složenim

su našli primenu u brojnim oblastima širokog spektra organizacija u cilju unapređenja upravljanja odnosima sa klijentima, unapređenja finansijskih i marketinških aktivnosti, upravljanja ljudskim resursima, lancima organizacija u cilju unapređenja upravljanja odnosima sa klijentima, unapređenja finansijskih i marketinških aktivnosti, upravljanja ljudskim resursima, lancima

POSLOVNA ANALITIKA - EVOLUCIJA

Analitičke metode se u nekom od svojih oblika koriste u poslovanju više od sto godina. Analitičke metode se u nekom od svojih oblika koriste u poslovanju više od sto godina.

Moderna evolucija analitike počinje sa pojavom kompjutera, četrdesetih godina prošlog veka. Prvi računari su omogućavali skladištenje i analizu podataka, što je olakšalo njihovo prikupljanje, upravljanje, analizu, i kreiranje izveštaja. Ova oblast nazvana je poslovno izveštavanje ili poslovna inteligencija (prvi put uveo 1958. godine IBM-ov istraživač Hans Piter Lun (Luhn, 1958).

Veliki deo moderne poslovne analitike bazira se na analizi i rešavanju kompleksnih problema odlučivanja kroz upotrebu matematičkih modela. Oblast koja se obavi ovim aspektom analitike, naziva se operaciona istraživanja (Operations Research - OR) ili nauka o menadžmentu (Managament Science primene, nauka o menadžmentu je postao preovlađujući termin u literaturi. primene, nauka o menadžmentu je postao preovlađujući termin u literaturi.

Sistemi za podršku odlučivanju (Decision Support Systems kombinovanjem poslovne inteligencije sa konceptima nauke o menadžmentu, a u cilju kreiranja računarskih sistema kao podrške u odlučivanju.

Najuticajniji događaji koji su podstakli upotrebu poslovne analitike bili (spradsheet) tehnologije.

EVOLUCIJA

Analitičke metode se u nekom od svojih oblika koriste u poslovanju više od sto godina. Analitičke metode se u nekom od svojih oblika koriste u poslovanju više od sto godina.

evolucija analitike počinje sa pojavom kompjutera, četrdesetih godina prošlog veka. Prvi računari su omogućavali skladištenje i analizu podataka, što je olakšalo njihovo prikupljanje, upravljanje, analizu, i kreiranje izveštaja. Ova oblast nazvana je poslovno izveštavanje ili poslovna inteligencija (Business Intelligence - BI), a termin je

ov istraživač Hans Piter Lun (Luhn, 1958).

deo moderne poslovne analitike bazira se na analizi i rešavanju kompleksnih problema odlučivanja kroz upotrebu matematičkih modela. Oblast koja se obavi ovim aspektom analitike, naziva se operaciona istraživanja

Managament Science - MS). Pomeranjem fokusa na poslovne primene, nauka o menadžmentu je postao preovlađujući termin u literaturi. primene, nauka o menadžmentu je postao preovlađujući termin u literaturi.

Decision Support Systems – DSS) počinju da se razvijaju šezdesetih godina XX veka kombinovanjem poslovne inteligencije sa konceptima nauke o menadžmentu, a u cilju kreiranja računarskih

događaji koji su podstakli upotrebu poslovne analitike bili su razvoj personalnih računara i spredšit

POSLOVNA ANALITIKA - EVOLUCIJAEVOLUCIJA

1. Omogućava pojedincima da koriste analitiku u svakom delu1. Omogućava pojedincima da koriste analitiku u svakom deluciklusa, od ideje do izvršenja. Zahteva od pojedinaca da razmišljajuracionalno i da koriste podatke tokom redovnog posla – tj. analitičko razmišljanje. Pristup je i dalje primjenjiv u malim, specijalizovanim timovima, fokusiranim na ograničen niz ishoda.

2. Podrazumeva operativni model već ́ine organizacija koje trenutnokoriste analitiku. Tim za analitiku deluje kao produžetaktradicionalnih funkcija u organizacionoj strukturi preduzeća, kaošto su finansijska, operaciona, marketing itd. Pristup je zasnovan naopšteprihvać ́enoj premisi ekonomije obima gde se uspostavljajuveliki timovi specijalizovanih „analitičara“ koji pružaju analitičkeusluge ostalim funkcijama u preduzeću. usluge ostalim funkcijama u preduzeću.

3. Podrazumeva da analitika pruža potpunu podršku tokom celogživotnog ciklusa: od ideje do izvršenja. Ovaj pristup povezujeanalitiku sa punim spektrom poslovnih potreba i koncentrišeanalitičke talente i alate u specijalizovanu funkciju, čime se uzimanajbolje od prethodno navedena dva pristupa.

POSLOVNA ANALITIKA - EVOLUCIJA

Kompanija vođene analitikom koristi analitiku kao jedno od svojihčija je upotreba analitike deo DNK kompanije. Druge tradicionalneGamble, Kohl… Takve organizacije ulažu u ljude - naučnikeGamble, Kohl… Takve organizacije ulažu u ljude - naučnikesagledavanja podataka i omogućavaju im da koriste sve alate

Analitički svesne kompanije prepoznaju vrednost analitike, aligrupu koja vrši eksperimentisanje, a ova grupa je često direktno

Kompanije koje nisu upućene na analitiku i ne prepoznaju vrednostkonkurentsku prednost drugim sredstvima.

Kompanije neprijateljski nastrojene prema analitici su verovatno

EVOLUCIJA

svojih glavnih konkurentnih oružja. Tipičan primer je Amazon, tradicionalne kompanije vođene analitikom:Valmart, Proctor i

podataka, inženjere podataka, analitičare i programerepodataka, inženjere podataka, analitičare i programerealate i tehnike koji su potrebni da bi se postigli poslovni rezultati.

je još uvek nisu integrisali u DNK kompanije. Često imajudirektno deo tradicionalnog IT sektora.

vrednost prediktivne analitike, nastoje da pridobiju

verovatno pokušavale da koriste analitiku i nisu uspele.

POSLOVNA ANALITIKA – BIG DATA

Tim Google Labs bio je jedan od prvih koji se bavio izazovimaomogućava da procesiraju podatke paralelno, a ne serijskiOvaj algoritam je dizajniran da razbije ogromne blokovemanju jedinicu na više računara i agregira rezultate. Nazvali

Ovaj algoritam je kasnije korišćen za razvoj Hadoop-a i

Trenutno većina preduzeća koristi tradicionalna sredstva(Customer Relationship Management) i ERP (Enterprise Resource Planning (Customer Relationship Management) i ERP (Enterprise Resource Planning donošenje odluka. Ostalih 95% podataka su nestrukturirani

Vaš posao kao poslovnog analitičara je da prepoznate ogromanti podaci. Vrednost je toliko velika da se kompanije sada

Facebook je kupio WhatsApp za 19 milijardi dolara 19. februaraimovinu koja makar približno opravdava ove cene? Naravno

BIG DATA

izazovima velikih podataka. Oni su razvili algoritam koji imserijski, što znači da se računanje može izvršiti istovremeno.

blokove podataka, kao i proračune do manjih komada, mapiraNazvali su ovaj algoritam Map Reduce.

drugih aplikacija koje obrađuju velike podatke.

sredstva za skladištenje strukturiranih podataka u CRM-u Enterprise Resource Planning Softvare) koji se nakon obrade koriste zaEnterprise Resource Planning Softvare) koji se nakon obrade koriste zanestrukturirani i veoma često se ne koriste.

ogroman poslovni potencijal i mogućnosti koje predstavljajufokusiraju na vrednovanje podataka kao imovine.

februara 2014. Da li WhatsApp stvarno ima bilo kakav prihod iliNaravno da ne ... ono što oni imaju su podaci (big data)

POSLOVNI ANALITIČAR

Koristi sofisticirane metode, mere i alate za postizanje Koristi sofisticirane metode, mere i alate za postizanjeoblastima kao što su finansije, proizvodnja, marketing,

Šta je potrebno da biste bili dobar Poslovni analitičar?

Pisana i verbalna komunikacija, uključujuc ́i i tehničke

Razumevanje sistema inženjerskih koncepata

Sposobnost da se sprovede analiza troškova/koristi (cost/benefit analiza)

Razvoj poslovnih scenarija

Metode i tehnike modeliranja i optimizacije

Kreativnost!

Liderstvo!

postizanje poslovne prednosti i korporativnih ciljeva u postizanje poslovne prednosti i korporativnih ciljeva u marketing, upravljanje odnosima sa klijentima...

Poslovni analitičar? Osnovne veštine obuhvataju:

veštine pisanja

koristi (cost/benefit analiza)

POSLOVNA ANALITIKA – PODRUČJA

mpet

itiv

ne p

redno

sti Preskriptivna

analitika

Optimizacija u uslovimaneizvesnosti

Kako se može postići najbolji ishod, imajući u vidu promenljivost i neizvesnost

OptimizacijaKako se može postići najbolji ishod?

Prediktivnaanalitika

Prediktivno modeliranje Šta je sledeće

Predviđanje Šta ako se takva trend nastavi

Kom

pet

itiv

ne p

redno

sti

analitikaSimulacija Šta može da se desi

Deskriptivnaanalitika

Upiti Šta je tačno

Ad hok izveštavanje U kom obimu

Standardno izveštavanje Šta se desilo

Stepen složenosti

PODRUČJA I PRIMENA

se može postići najbolji imajući u vidu promenljivost

i neizvesnost?

se može postići najbolji

Šta je sledeće?

Šta ako se takva trend nastavi?

Šta može da se desi?

Šta je tačno problem?

U kom obimu, koliko često, gde?

Šta se desilo?

POSLOVNA ANALITIKA – PODRUČJAPODRUČJA I PRIMENA

DESKRIPTIVNA ANALITIKA - POJAM

Deskriptivna analitika (Descriptive analytics) je integralni deo poslovne analitike koji se najčešće primenjuje. Deskriptivna analitika (Descriptive analytics) je integralni deo poslovne analitike koji se najčešće primenjuje.

Počiva na na interpretaciji istorijskih podataka što doprinosi boljem razumevanju promena i odluka na osnovu pouzdanih informacija.

Sumira podatke u obliku izveštaja i vizuelno ih prikazuje u obliku grafikona i dijagrama.

Može biti specifična u zavisnosti od industrije. Na primer u bankarskoj industriji će se pratiti broj izvršenih tansakcija, broj izdatih kredita, ukupan prihod od kamata, nekamatni prihod, a pri analizi prodaje pratiće se ukupan broj prodatih proizvoda, ukupan prihod, prohod po proizvodu i druge performanse. Što je posmatrana jedinica, odnosno njeno poslovanje, kompleksnije (pojedinac, preduzeće, kompanija, region, država) to će i deskriptivna odnosno njeno poslovanje, kompleksnije (pojedinac, preduzeće, kompanija, region, država) to će i deskriptivna analitika biti kompleksnija.

Bez obzira na kompleksnost, neophodno je izvršiti

Priprema podataka

Analiza i vizuelizacija

POJAM

) je integralni deo poslovne analitike koji se najčešće primenjuje. ) je integralni deo poslovne analitike koji se najčešće primenjuje.

na interpretaciji istorijskih podataka što doprinosi boljem razumevanju promena i donošenju poslovnih

podatke u obliku izveštaja i vizuelno ih prikazuje u obliku grafikona i dijagrama.

biti specifična u zavisnosti od industrije. Na primer u bankarskoj industriji će se pratiti broj izvršenih tansakcija, broj izdatih kredita, ukupan prihod od kamata, nekamatni prihod, a pri analizi prodaje pratiće se ukupan broj prodatih proizvoda, ukupan prihod, prohod po proizvodu i druge performanse. Što je posmatrana jedinica, odnosno njeno poslovanje, kompleksnije (pojedinac, preduzeće, kompanija, region, država) to će i deskriptivna odnosno njeno poslovanje, kompleksnije (pojedinac, preduzeće, kompanija, region, država) to će i deskriptivna

DESKRIPTIVNA ANALITIKA - KORACI

Navođenje poslovne metrike: Odrediti koja metrika je važna za Navođenje poslovne metrike: Odrediti koja metrika je važna zapovećanje prihoda, smanjenje troškova, poboljšanje operativnepridružene KPI (ključne indikatore performansi) da bi pomogao

Identifikovanje potrebnih podataka: Poslovni podaci se nalazesisteme zapisa, baze podataka, IT repozitorije. Da bi se tačnotačne izvore podataka kako bi izvukle potrebne podatke i izračunali

Prikupljanje i priprema podataka: Podaci moraju biti pripremljeninekoliko primera koraka za pripremu podataka koji se morajuintenzivni korak, koji zahteva do 80% vremena analitičara, aliintenzivni korak, koji zahteva do 80% vremena analitičara, ali

Analiza podataka: Kreiranje modela i pokretanje analiza kaopodataka za određivanje obrazaca i merenje performansi. Koriste

Prezentovanje podataka (Vizuelizacija): Rezultati se obično prikazujualati pružaju korisnicima mogućnost da vizuelno prezentirajupodacima mogu da razumeju. Mnogi alati za vizuelizaciju podatakasopstvene vizuelizacije i manipulišu izlazom.

KORACI

za procenu učinka poslovnih ciljeva. Neki primeri cilja bi biliza procenu učinka poslovnih ciljeva. Neki primeri cilja bi bilioperativne efikasnosti i mjerenje produktivnosti. Svaki cilj mora imati

pomogao u nadgledanju postignuć́a

u mnogim različitim izvorima unutar preduzeća, uključujućitačno merili KPI, kompanije moraju katalogizirati i pripremiti

izračunali metrike na osnovu trenutnog stanja poslovanja.

pripremljeni za analizu. Dedupliranje, transformacija i čišćenje sumoraju izvršiti pre analize. Često je ovo i najzahtevniji i radno

ali je od ključne važnosti za osiguranje tačnostiali je od ključne važnosti za osiguranje tačnosti

kao što su sumarna statistika, grupisanje i regresiona analizaKoriste se brojni alati i softveri

prikazuju zainteresovanim stranama u obliku grafikona. Brojniprezentiraju podatke na način na koji analitičari koji se ne bave

podataka takođe omogućavaju poslovnim korisnicima da kreiraju

DESKRIPTIVNA ANALITIKA – PRIPREMA

Prikupljanje podatakaPrikupljanje podataka

Baza podataka podrazumeva kolekciju svih prikupljenih podataka. Podaci o jednoj objektu prikupljeni u jednom trenutku se čuvaju u jednom rekordu koji predstavlja jednu observaciju. S obzirom na različite izvore podataka i tipovi podataka su različiti:

Kategorijski podaci

Nominalni podaci - podaci koji su sortirani u različite kategorije (npr. Beograd, Centralna Srbija i Vojvodina);

Ordinalni podaci mogu biti povezani sa nekom karakteristikom ( Ordinalni podaci mogu biti povezani sa nekom karakteristikom (da su oni potencijalno pouzdaniji klijenti pri odobravanju kredita);

Binarni podaci (vrednost jedan ili nula – na primer klijent je korisnik kredita ili nije).

Numerički podaci

Kontinualni podaci su najčešći (npr. novčane merne jedinice kao što je vrednost izdatog kredita u

Celobrojne vrednosti (broj klijenata, broj proizvoda).

PRIPREMA PODATAKA

Baza podataka podrazumeva kolekciju svih prikupljenih podataka. Podaci o jednoj objektu prikupljeni u jednom trenutku se čuvaju u jednom rekordu koji predstavlja jednu observaciju. S obzirom na različite izvore podataka i

podaci koji su sortirani u različite kategorije (npr. dobavljači pripadaju različitim regionima kao što su

podaci mogu biti povezani sa nekom karakteristikom (npr. kategorija visina zarade klijenata banke može značiti podaci mogu biti povezani sa nekom karakteristikom (npr. kategorija visina zarade klijenata banke može značiti da su oni potencijalno pouzdaniji klijenti pri odobravanju kredita);

na primer klijent je korisnik kredita ili nije).

merne jedinice kao što je vrednost izdatog kredita u dolarima);


Prikupljanje podatakaPrikupljanje podataka

Poznavanje tipa podataka je bitno za deskriptivnu i napredne analitike. Veoma je važno da li klijent, kome se odobrava kredit i pocenjuje rizik njegove otplate, pripada trećoj kategoriji u opsegu 1

Izvori podataka mogu biti raznoliki, kao na primer:

Stuktuirani podaci o transakcijama koji se najčešće čuvaju u relacionim bazama podatka. mera perfomansi koje se prate u toku dužeg vremenskog perioda.

Nestruktuirani podaci koji se najčešće nalaze u tekstualnim ili multimedijalnim dokumetima. Ovakvi podaci zahtevaju Nestruktuirani podaci koji se najčešće nalaze u tekstualnim ili multimedijalnim dokumetima. Ovakvi podaci zahtevaju pretprocesiranje i pripremu za deskriptivnu analizu.

Kvalitativni podaci najčešće dobijeni kao rezultat anketa i obično su izraženi kao kategorijski podaci.

U savremenom poslovanju se prikupljaju velike količine podataka i kreiraju velike baze podataka (se da će velike baze postajati još veće iz dana u dan. Velike performansi i procesa ali i zahtevaju detaljnije analize i pretprocesiranje podataka

PRIPREMA PODATAKA

Poznavanje tipa podataka je bitno za deskriptivnu i napredne analitike. Veoma je važno da li klijent, kome se odobrava kredit i pocenjuje rizik njegove otplate, pripada trećoj kategoriji u opsegu 1-3 ili u opsegu 1-5.

Stuktuirani podaci o transakcijama koji se najčešće čuvaju u relacionim bazama podatka. Mogu se sumarno pratiti kreiranjem mera perfomansi koje se prate u toku dužeg vremenskog perioda.

Nestruktuirani podaci koji se najčešće nalaze u tekstualnim ili multimedijalnim dokumetima. Ovakvi podaci zahtevaju Nestruktuirani podaci koji se najčešće nalaze u tekstualnim ili multimedijalnim dokumetima. Ovakvi podaci zahtevaju

Kvalitativni podaci najčešće dobijeni kao rezultat anketa i obično su izraženi kao kategorijski podaci.

savremenom poslovanju se prikupljaju velike količine podataka i kreiraju velike baze podataka (big data). Smatra Velike baze doprinose boljem razumevanju poslovnih

performansi i procesa ali i zahtevaju detaljnije analize i pretprocesiranje podataka.


Pretprocesiranje podatakaPretprocesiranje podataka

Dobra i pouzdana odluka se zasniva na pouzdanim i validnimkoja se može javiti.

Validnost podataka znači da na korektan način odslikavaju ono što bi trebalo da mere.

Pouzdanost podataka podrazumeva da je tačan i konzistentan bez obzira na vremenski period u kom se prati.

Realni podaci mogu biti nekonzistentni, nekompletni, mogu se duplirati ili se mogu javiti problem spajanja podataka u bazama. Zbog toga je neophodno pretprocesiranje podataka koje može podrazumevati u bazama. Zbog toga je neophodno pretprocesiranje podataka koje može podrazumevati analizu, uklanjanje duplikata, rešavanje problema nedostajućih podataka, prečšćavanje, filtriranje ili grupisanje podataka.

Uklanjanje duplikata podrazumeva da se iz baze uklanjaju rekordi odnosno zapisi (opservacije) koji imaju potpuno iste podatke ili sadrže unapred definisani podskup istih podataka.

Excel!

PRIPREMA PODATAKA

validnim (kvalitetnim) podacima i razumevanju neizvesnosti

podataka znači da na korektan način odslikavaju ono što bi trebalo da mere.

podataka podrazumeva da je tačan i konzistentan bez obzira na vremenski period u kom se prati.

podaci mogu biti nekonzistentni, nekompletni, mogu se duplirati ili se mogu javiti problem spajanja podataka u bazama. Zbog toga je neophodno pretprocesiranje podataka koje može podrazumevati kreiranje uzorka za dalju u bazama. Zbog toga je neophodno pretprocesiranje podataka koje može podrazumevati kreiranje uzorka za dalju analizu, uklanjanje duplikata, rešavanje problema nedostajućih podataka, prečšćavanje, filtriranje ili grupisanje podataka.

duplikata podrazumeva da se iz baze uklanjaju rekordi odnosno zapisi (opservacije) koji imaju potpuno iste podatke ili sadrže unapred definisani podskup istih podataka.


Uzorkovanje podatakaUzorkovanje podataka

Pretprocesiranje i analiza podataka se može vršiti na celom populacijom ili samo na nekim njenim delom odnosno uzorkom.

Cela populacija podrazumeva da se u dalju analizu uključuje skup svih opservacija uzimajući u obzir podatke u celom vremenskom periodu.

Sa druge strane analiza se može vršiti i nad podskupom (uzorkom) populacije. Na primer, potrebno je podatke o prodaji proizvoda u prodavnicama koje se nalaze van teritorije grada Beograda ili je potrebno analizirati podskup klijenata banke koji su potencijani korisnici stambenog kredita, što znači da pripadaju kategorijama podatke o prodaji proizvoda u prodavnicama koje se nalaze van teritorije grada Beograda ili je potrebno analizirati podskup klijenata banke koji su potencijani korisnici stambenog kredita, što znači da pripadaju kategorijama klijenata sa visokim i srednjim primanjima. Prema tome urokovanje se može izvršiti jednostanim upitom ili filtriranjem baze podataka prema definisanim kriterijumima.

Excel!

PRIPREMA PODATAKA

i analiza podataka se može vršiti na celom populacijom ili samo na nekim njenim delom odnosno

populacija podrazumeva da se u dalju analizu uključuje skup svih opservacija uzimajući u obzir podatke u

druge strane analiza se može vršiti i nad podskupom (uzorkom) populacije. Na primer, potrebno je analizirati podatke o prodaji proizvoda u prodavnicama koje se nalaze van teritorije grada Beograda ili je potrebno analizirati podskup klijenata banke koji su potencijani korisnici stambenog kredita, što znači da pripadaju kategorijama podatke o prodaji proizvoda u prodavnicama koje se nalaze van teritorije grada Beograda ili je potrebno analizirati podskup klijenata banke koji su potencijani korisnici stambenog kredita, što znači da pripadaju kategorijama klijenata sa visokim i srednjim primanjima. Prema tome urokovanje se može izvršiti jednostanim upitom ili filtriranjem baze podataka prema definisanim kriterijumima.


Nedostajući podaciNedostajući podaci

Prikupljanje velikih količina podataka neminovno vodi do njihovog nedostatka, odnosno nemoguće je izbeći nedostajuće podatke što može dovesti do grešaka i smanjiti pouzdanost u analizi. Razlozi nedostatka podataka mogu biti različiti:

Podaci nisu dostavljeni (naročito važi za tzv. dugoročne studije);

Podaci nisu uneti u bazu;

Ispitanici učestvuju koji u istraživanju iz neodređenog razloga ne odgovore na neka pitanja Ispitanici učestvuju koji u istraživanju iz neodređenog razloga ne odgovore na neka pitanja

Ekstremne opservacije (Outlier)

O ovim temama više reči će biti kasnije (Gordana Savić)

PRIPREMA PODATAKA

velikih količina podataka neminovno vodi do njihovog nedostatka, odnosno nemoguće je izbeći nedostajuće podatke što može dovesti do grešaka i smanjiti pouzdanost u analizi. Razlozi nedostatka podataka

Podaci nisu dostavljeni (naročito važi za tzv. dugoročne studije);

Ispitanici učestvuju koji u istraživanju iz neodređenog razloga ne odgovore na neka pitanja.Ispitanici učestvuju koji u istraživanju iz neodređenog razloga ne odgovore na neka pitanja.

)


Klasterovanje i grupisanjeKlasterovanje i grupisanje

Grupisanje ili klasterovanje opservacija ima za cilj da se skup podataka podeli na grupe sa sličnim karakteristikama. Ovo je naročito važno ako se radi o velikim bazama podataka ili o bazama sa raznolikim opservacijama.

U velikom skupu podataka teško se uočava sličnost između opservacija. To je moguće uraditi ako se podaci vizuelizuju pomoću grafikona za manje baze podataka ili izračunavanjem distance između pojedinih Najčešće korišćene metode za klasterovanje su:

metoda hijerarhijskih klastera i

k-means metoda k-means metoda

Ove metode su podržane u skoro svim softverima za statističku obradu podataka (SPSS, R, nove verzije MS Office Excel 2013+ i drugi).

O ovim temama više reči će biti kasnije (Gordana Savić)

PRIPREMA PODATAKA

Grupisanje ili klasterovanje opservacija ima za cilj da se skup podataka podeli na grupe sa sličnim karakteristikama. Ovo je naročito važno ako se radi o velikim bazama podataka ili o bazama sa raznolikim opservacijama.

velikom skupu podataka teško se uočava sličnost između opservacija. To je moguće uraditi ako se podaci vizuelizuju pomoću grafikona za manje baze podataka ili izračunavanjem distance između pojedinih opservacija.

metode su podržane u skoro svim softverima za statističku obradu podataka (SPSS, R, nove verzije MS Office

)

DESKRIPTIVNA ANALITIKA – ANALIZA I VIZUELIZACIJA PODATAKA

Cilj je da se podaci konvertuju u informacije korisne za donošenje odluka. Cilj je da se podaci konvertuju u informacije korisne za donošenje odluka.

Neke od analiza koje se mogu vršiti su:

Sumarne analize i deskriptivna statistika

Praćenje trenda

Uporedna analiza i rangiranje opservacija u okviru klastera, uzorka ili cele

Poređenje vrednosti ključnih indikatora performansi u odnosu na ciljane vrednosti ( Poređenje vrednosti ključnih indikatora performansi u odnosu na ciljane vrednosti (

Svaka od ovih analiza se može vršiti tabelarno, deskriptivno, vizuelno pomoću grafikona i dijagrama ili kombinovano. Sirovi podaci nisu pogodni za praćenje trenda i poređenje performansi u tabelarnoj formi. Zbog toga se često koristi vizuelizacija kao sredstvo za prikazivanje podataka u cilju njihovog boljeg razumevanja i podrške odlučivanju.

Excel!

ANALIZA I VIZUELIZACIJA PODATAKA

Cilj je da se podaci konvertuju u informacije korisne za donošenje odluka. Cilj je da se podaci konvertuju u informacije korisne za donošenje odluka.

Uporedna analiza i rangiranje opservacija u okviru klastera, uzorka ili cele populacije

Poređenje vrednosti ključnih indikatora performansi u odnosu na ciljane vrednosti (benchmark),Poređenje vrednosti ključnih indikatora performansi u odnosu na ciljane vrednosti (benchmark),

Svaka od ovih analiza se može vršiti tabelarno, deskriptivno, vizuelno pomoću grafikona i dijagrama ili kombinovano. Sirovi podaci nisu pogodni za praćenje trenda i poređenje performansi u tabelarnoj formi. Zbog toga se često koristi vizuelizacija kao sredstvo za prikazivanje podataka u cilju njihovog

DESKRIPTIVNA ANALITIKA – ANALIZA I VIZUELIZACIJA PODATAKA

Analiza podataka Analiza podataka

Filtriranje, grupisanje, podsume

Opseg vrednosti podataka ili performansi,

Minimum, maksimum, srednja vrednost, odstupanje i dr

Ostale funkcije...

Pivot tabele

Grafikoni Grafikoni

Dashboard izveštaji

Balance score card…

Excel!

ANALIZA I VIZUELIZACIJA PODATAKA

, maksimum, srednja vrednost, odstupanje i dr.

DIJAGNOSTIČKA ANALITIKA

Identifikovanje anomalija Identifikovanje anomalija

Na osnovu rezultata deskriptivne analize, identifikovanjepitanja na koja se ne može odgovoriti jednostavno posmatrajućiregionu u kome nije bilo promena u marketingu ili zbogstranici bez očiglednog razloga.

Otkriće

Identifikovanje izvora podataka koji mogu pomoći da traženje obrazaca izvan postojećih skupova podataka

Identifikovanje izvora podataka koji mogu pomoći da traženje obrazaca izvan postojećih skupova podatakautvrdile korelacije i utvrdilo da li je bilo ko od njih uzročni

Određivanje uzročnih odnosa

identifikovanje područja koja zahtevaju dalju studiju jer pokrećuposmatrajući podatke. Na primer, zašto se prodaja povećala u zbog čega je došlo do iznenadne promene saobraćaja na veb

da se objasne ove anomalije. Često, ovaj korak zahtevapodataka ili povlačenje podataka iz spoljnih izvora kako bi se

da se objasne ove anomalije. Često, ovaj korak zahtevapodataka ili povlačenje podataka iz spoljnih izvora kako bi se

uzročni po svojoj prirodi.


U prošlosti sve ove funkcije bi bile potpuno ručne; oni bi se U prošlosti sve ove funkcije bi bile potpuno ručne; oni bi se otkriju paterne i odrede odnose. U tom okruženju, neki od čak i oni vrhunski analitičari ne bi mogli garantovati konzistentnosti brzine povećali, takvi čisto ručni napori za dijagnostičku analizu

Savremena rešenja za dijagnostičku analizu moraju da koristesposobne za prepoznavanje obrazaca, detektovanje anomalijapokretača KPI-a. Ova druga sposobnost zahteva primenu različitihkako bi se utvrdila uzročnost i identifikovala nezavisne varijablepozitivne promene.

Omoguc ́eno mašinskim učenjem, dijagnostička analitika služe Omoguc ́eno mašinskim učenjem, dijagnostička analitika služepogrešnog tumačenja korelacije kao uzročnosti. Ipak, današnjakao što se mašine mogu koristiti kako bi se smanjila predrasudakontekstualizaciju rezultata proizvodnje mašina.

Predviđa se da će do 2021. god. 25% velikih preduzeća dopunitiobezbedili kontekstualne interpretacije podataka korišćenjememocije, priče i percepcije svog sveta.

bi se oslanjali na sposobnosti analitičara da identifikuju anomalije, bi se oslanjali na sposobnosti analitičara da identifikuju anomalije, od najiskusnijih analitičara bi nadmašili svoje vršnjake. Međutim,

konzistentnost ili rezultate. Kako su se obim podataka, raznovrsnostianalizu više nisu izvodljivi.

koriste tehnike mašinskog učenja. Mašine su beskrajno već́eanomalija, pojavljivanje 'neobičnih' događaja i prepoznavanje

različitih analitičkih tehnika odabranih iz portfolia algoritama, varijable koje se preduzeća mogu prilagoditi kako bi se učinile

služe važnoj funkciji u smanjenju nenamerne pristrasnosti isluže važnoj funkciji u smanjenju nenamerne pristrasnosti idanašnja dijagnostička analitika mora i dalje da upravlja ljudima. Baš

predrasuda u donošenju ljudskih odluka, tako da se ljudi koriste za

dopuniti naučnike podataka sa etnografskim podacima da bi korišćenjem kvalitativnih istraživačkih metoda koje otkrivaju ljudske

DESKRIPTIVNA & DIJAGNOSTIČKA

Brojni alati, softveri, tehnologije, platforme… Brojni alati, softveri, tehnologije, platforme…

Data mining (Rovarenje/rudarenje po podacima)

proces ,,rudarenja” po sirovim podacima uz pomoć računara

pronalaženje skrivenih obrazaca u podacima, povećavanje njihove

Primer

Lanac supermarketa u Americi je, koristeći Oracleov softverpelene četvrtkom i subotom najčešće kupovali i paket pivapelene četvrtkom i subotom najčešće kupovali i paket pivaobavljali subotom. Četvrtkom su kupovali samo nekoliko proizvodavikend. Zahvaljujući ovoj informaciji, lanac supermarketa je sa pelenama. Takođe, četvrtkom i subotom su pivo i pelene

Verovatno bi svakom ljudskom ekspertu veza između muškaracanepristrasnoj logici kompjutera.


računara i vađenja njihovog značenja.

njihove upotrebljivosti i transformacija podataka u korisno znanje

softver za analizu podataka, otkrio da su muškarci koji su kupovalipiva. Dublja analiza otkrila je da su ovi kupci sedmičnu kupovinupiva. Dublja analiza otkrila je da su ovi kupci sedmičnu kupovinu

proizvoda, a pivo su kupovali kako bi im se našlo za dolazećije povećao prihode tako što je vitrinu sa pivom pomerio bliže polici

pelene prodavani po punoj ceni, bez posebnih popusta.

muškaraca, pelena, piva i određenih dana u nedelji promakla, ali ne i

DESKRIPTIVNA ANALITIKA – KROZ

Otvorite Excel fajl “S1 primer.xls” Otvorite Excel fajl “S1 primer.xls”

Priprema podataka

Date kolona – izabrati odgovarajući format prikaza datuma

Price kolona – jedinica mere u evrima (accounting)

Total kolona – izračunati ukupan prihod (primenom formule

Ukloniti duplikate

Sortirati po datumu od najstarjeg do najnovijeg Sortirati po datumu od najstarjeg do najnovijeg

No. kolona – prenumerisati redni broj transakcije

Dodati filter

KROZ PRIMER (EXCEL)

datuma (date)

formule/funkcije) i definisati odgovarajući format prikaza


Analiza podataka Analiza podataka

Grupisanje (Data/Group)

Izračunati i prikazati ukupan prihod svake od kompanije za

Najpre sortirati po Customer, inače će prikazivati subtotale po datumima

Prikazati tabelarno ukupnu količinu i prihod po datumima uzponaosob (Insert/Pivot table)

Prikazati tabelarno ukupnu količinu i prihod po sedmicama počevši

Prikazati tabelarno ukupnu količinu i prihod po mesecima (Analyze/Group

Prikazati tabelarno ukupnu količinu i prihod po klijentima uz

Dodati opciju da se vidi količina I prihod I po svakom od proizvoda

Prikazati tabelarno ukupnu količinu i prihod po proizvodima

Pareto 80:20 princip

KROZ PRIMER

celokupan period (Subtotals)

datumima I kompanijama

uz mogućnost da se uradi pregled (filter) za svakog klijenta

počevši od 1. februara (Analyze/Group selection)

Analyze/Group selection)

uz mogućnost da se uradi pregled (filter) po datumima

proizvoda

proizvodima za svaku od boja


Vizuelizacija Vizuelizacija

Prikati grafički rezultate

Bars, columns, lines, pie…

Scatter

KROZ PRIMER

RAD NA ČASU

Otvorite fajl “S2 Primer.xls”

Uočićete tabelu sa velikom količinom podataka

Da li Vam baš svi trebaju?

Najpre sumirajte podatke

Šta bi imalo smisla analizirati? Šta bi imalo smisla analizirati?

Koristite funkcije, pivot… i grafikone

RAD NA ČASU

Otvorite fajl “EastNorthCentralFTWorkers.xls”

Tabela sa velikom količinom podataka o 6366 zaposlenih

“EastNorthCentralFTWorkers.xls”

zaposlenih u pet država u martu 1999. godine

RAD NA ČASU

Otvorite fajl CALDESCO podaci 2018.xls

Uočićete tabelu sa velikom količinom podataka

Da li Vam baš svi trebaju?

Najpre sumirajte podatke Najpre sumirajte podatke

Koristite funkcije i grafikone

RAD NA ČASU

Popunite list sa odgovorima na pitanja

Koliko je od svake vrste stolova prodato u prethodnih godinu dana?

Koliko svakog meseca?

Koliko u svakoj od radnji?

Koliki prihod je istvarila prodavnica BG a koliko NS u svakom mesecu?

Ukupan prihod? Profit? Ukupan prihod? Profit?

Da li su preferencije potrošača stabilne tokom vremena?

Koliko je od svake vrste stolova prodato u prethodnih godinu dana?

G a koliko NS u svakom mesecu?

PROJEKNI ZADATAK

Šta se od Vas, kao poslovnog analitičara koji poznaje optimizaciju, očekuje

Prepoznati šta su bitne performanse u sistemu

Prepoznati optimizacioni problem koji postoj

Analizirati podatke i iz šume njih izvući bitne

Modelirati prepoznat problem

Rešiti optimizacioni problem

Prikazati rezultate pilot projekta menadžerimaprezentacija)

Šta se od Vas, kao poslovnog analitičara koji poznaje optimizaciju, očekuje:

sistemu koji analizira i koji su njegovi indikatori

postoji u sistemu koji se analizira

bitne, ali i predvideti one kojih nema

menadžerima koji ne znaju ništa o optimizaciji (Izveštaj i

STRUKTURA POSLOVNOG IZVEŠTAJA

Uvod – Opis problema 5

Pretpostavke modela 10

Pristup problemu / korišćenje softvera

Rezulati / Analiza 15

Šta-ako analiza 20

Opšta preporuka 10 Opšta preporuka 10

Prilozi

Prezentacija 10

STRUKTURA POSLOVNOG IZVEŠTAJA

37

poslovna analitika i...

Documents