Modul Data Analysis

Analiza podataka, poznata i kao traženje podataka ili rudarenje podataka, predstavlja interdisciplinarnu oblast koja se sve više koristi u različitim poslovnim i istraživačkim praksama. Ona se razlikuje od istraživanja podataka, mada analiza podataka jeste povezana sa istraživanjem podataka. Istraživanje podataka se fokusira na otkrivanje šeme i znanja iz velikih količina podataka, ali ne pruža precizne interpretacije dobijenih rezultata. S druge strane, cilj analize podataka je pronalaženje relevantnih informacija u velikim skupovima podataka.

Analiza podataka koristi statističke metode, baze podataka i mašinsko učenje kako bi se identifikovali obrasci i testirale hipoteze. Njena svrha je da se dobijeni podaci pretvore u korisne informacije. Metode analize podataka omogućavaju dublje razumevanje podataka, otkrivanje trendova i donošenje adekvatnih odluka. Bez obzira na količinu prikupljenih podataka, analiza podataka je fokusirana na izvlačenje značenja iz podataka kako bi se stekao uvid u poslovne procese, tržišne trendove i druge relevantne informacije. 

Analiza podataka ima sve veći značaj u modernom svetu, u kome se generišu ogromne količine podataka, a njen cilj je da pomogne organizacijama da iskoriste tu vrednost podataka i dobiju konkurentsku prednost.

Analiza podataka je sve važnija u savremenom poslovanju, što prepoznaju i vlasnici kompanija. Kao rezultat toga, ova naučna disciplina doživljava brz rast i postaje sve prisutnija u svetu. U slučaju da imate interesovanja za podatke i ne smetaju vam velike količine podataka u različitim bazama, postoji velika verovatnoća da biste mogli da se dublje posvetite ovoj istraživačkoj oblasti. Analiza podataka pruža mogućnost da se otkriju vredne informacije, identifikuju trendovi, a pruža i mogućnost donošenja adekvatne odluke, što je od velike koristi za uspešno vođenje poslovanja.

Opis i cilj modula Data Analysis

Područje analize podataka moguće je interpretirati kroz tri glavne tematske celine: vizualizacija, struktura i analiza, i kontekstualno izveštavanje. Prva tematska oblast bazirana je na tumačenju različitih načina vizualizacije podataka. Vizualizacija podataka biće sagledana kroz najčešće korišćene i pregledne vizualne prakse za predstavljanje podataka. Ipak, treba znati da nije svaka vizualizacija podataka svrsishodna u razjašnjenju svih podataka. Važno je napomenuti da ne odgovara svaka vizualizacija podataka svrsi koju želimo istaći. U ovom modulu biće reči o tipovima vizualnih praksi i njihovoj funkcionalnosti u poslovnom okruženju. 

U drugom segmentu analize podataka fokus će biti na strukturiranju i analizi podataka. Cilj ovog modula je da razvije sposobnost objektivnog analitičkog razmišljanja, a dobra struktura podataka je jedan od osnovnih preduslova za to.

U okviru analize podataka jasno strukturirani podaci su ključni za tačnu analitičku interpretaciju i pružanje korisnih informacija za poslovanje. U ovom delu kursa biće razmatrana sledeća pitanja: koji podaci su relevantni u različitim okvirima poslovanja, gde se podaci pronalaze i na koji način se prikupljaju i skladište, kako se podaci analitički obrađuju. Takođe, važno je naglasiti da organizacija podataka igra vitalnu ulogu u analizi podataka. Stoga će biti obrađena organizacija podataka kroz njihovo grupisanje, povezivanje i zapisivanje. Bez odgovarajuće strukture i organizacije podataka analitička interpretacija neće biti moguća. Cilj ovog dela kursa je da pruži uvid u pravilan pristup i obradu podataka kako bi se izvukle relevantne informacije za efikasno poslovanje. 

Pristup organizaciji podataka može se razlikovati u zavisnosti od količine podataka. Za manje količine podataka organizacija može biti jednostavnija, dok veće količine podataka ponekad zahtevaju složeniju organizaciju. Podaci se mogu strukturirati u fizičke ili logičke strukture podataka. Tako fizička struktura podataka može biti prikladna samo za jednu logičku strukturu, a može i jedna logička struktura biti prikladna za više fizičkih struktura. Liste podataka su skupovi elemenata koji imaju određene strukturne karakteristike. Postoje tri vrste lista: linearne, nelinearne i kompleksne (mrežne). Linearne liste se sastoje od elemenata koji su povezani u jednom smeru, kao niz. Nelinearne liste imaju elemente koji su povezani na različite načine, kao stabla ili graf. Kompleksne ili mrežne liste se koriste za modeliranje složenih veza između elemenata. Ova raznovrsnost struktura podataka omogućava efikasnu organizaciju i pristupanje podacima u skladu sa njihovom prirodom i potrebama analize. Tako se pružaju fleksibilnost i efikasnost u rukovanju podacima, što je ključno u savremenom upravljanju i analizi informacija.

U trećem delu modula Analiza podataka fokus se stavlja na kontekstualno izveštavanje, što podrazumeva uočavanje funkcionalne svrhe prikupljenih podataka i njihovu primenu u različitim poslovnim kontekstima. Analiza podataka nije samo proces prikupljanja i interpretacije podataka već i razumevanje njihovog konteksta i toga kako dobijeni rezultati mogu biti korisni u konkretnim situacijama. Kontekstualno izveštavanje omogućava da se podaci koriste za donošenje adekvatnih odluka, identifikovanje trendova, pronalaženje prilika i optimizaciju poslovnih procesa. Kroz ovaj deo modula polaznici će se upoznati sa metodama i alatima koji im pomažu da pravilno kontekstualizuju prikupljene podatke i da ih efikasno primene u svojim organizacijama. 

Modul Data Analysis odgovoriće na pitanja:

Zbog čega je važno poznavanje sirovih podataka?

Poznavanje sirovih podataka ima veliki značaj u današnjem poslovnom okruženju. Sirovi podaci predstavljaju neobrađene informacije koje se prikupljaju iz različitih izvora. Razumevanje sirovih podataka omogućava organizacijama da steknu dublji uvid u svoje poslovanje i identifikuju ključne trendove i obrasce. Ovi podaci su osnova za dalju analizu i donošenje adekvatnih odluka. Poznavanje sirovih podataka omogućava efikasno upravljanje informacijama, identifikovanje problema, otkrivanje prilika za poboljšanje i optimizaciju poslovnih procesa. Takođe, sirovi podaci su neophodni za dalje korake u analizi podataka, kao što su njihova transformacija, agregacija i vizualizacija. Stoga razumevanje sirovih podataka predstavlja temelj za uspešnu primenu analitičkih metoda i alata u savremenom poslovanju.

Koji su nivoi analize podataka?

U analizi podataka postoji nekoliko nivoa na kojima se podaci mogu analizirati. Prvi nivo je opisna analiza, u kojoj se podaci prikazuju i opisuju na osnovu osnovnih statističkih metoda. Ovaj nivo pruža uvid u osnovne karakteristike podataka. Drugi nivo je eksplorativna analiza, koja se fokusira na istraživanje veza i uzoraka između podataka. Ovde se koriste napredne statističke tehnike kako bi se otkrili skriveni uzorci i trendovi. Treći nivo je prediktivna analiza, u kojoj se koriste modeli i algoritmi za predviđanje budućih događaja na osnovu postojećih podataka. Na ovom nivou se koriste mašinsko učenje i statističke tehnike. Poslednji nivo je preskriptivna analiza, u kojoj se koriste podaci za pružanje preporuka i smernica za donošenje odluka. Ovde se kombinuju različiti modeli i tehnike kako bi se postigla najbolja moguća rešenja, kao i optimizacija poslovnih procesa.

Koje statističke funkcije se najčešće upotrebljavaju?

U Excelu, gde se često prikupljaju podaci, postoji širok izbor funkcija koje se koriste prilikom rada sa podacima. Međutim, neke od najčešće korišćenih statističkih funkcija u Excelu su: 

• AVERAGE() – funkcija koja računa prosečnu vrednost svih postavljenih argumenata ili vrednosti u određenim kolonama ili redovima; 
• MIN() – funkcija koja prikazuje minimalnu vrednost iz liste argumenata ili vrednosti u određenoj koloni ili redu; 
• MAX() – funkcija koja prikazuje maksimalnu vrednost iz liste argumenata ili vrednosti u određenoj koloni ili redu; 
• SUM() – funkcija koja izračunava zbir argumenata ili zbir vrednosti u određenim kolonama ili redovima; 
• MEDIAN() – funkcija koja izračunava srednju vrednost od datih brojeva, odnosno medijanu. 

Ove statističke funkcije olakšavaju analizu podataka i izvlačenje relevantnih informacija iz njih.

Plan i program predavanja

• Vizualizacija (Visualisation) 
• Baze podataka
• Značaj poznavanja sirovih podataka
• Generalni koncepti vizualizacije
• Grafički prikaz podataka
• Problemi vizualizacije
• Obmanjujuća vizualizacija
• Pravila dobre vizualizacije
• Kombinovane metrike
• Misaoni tok vizualizacije
• Koraci u razvoju vizualizacije
• Kreiranje preglednog grafikona
• Jasno definisanje poruke
• Strukturiranje i analiza (Structure & Analysis) 
• Šta su podaci
• Šta je analiza podataka
• Predrasude i zablude
• Metodologija analize podataka ili put od podatka do saznanja
• Kontekstualno izveštavanje (Contextual Reporting)
• Studija slučaja u okviru kontekstualnog izveštavanja (kreiranje grafikona, sortiranje podataka, filtriranje podataka, prebrojavanje podataka)