{"id":9073,"date":"2020-07-15T15:25:34","date_gmt":"2020-07-15T13:25:34","guid":{"rendered":"https:\/\/www.fluentis.com\/blog\/big-data\/"},"modified":"2023-11-24T16:06:43","modified_gmt":"2023-11-24T15:06:43","slug":"big-data","status":"publish","type":"post","link":"https:\/\/www.fluentis.com\/hr\/blog\/big-data\/","title":{"rendered":"Gdje pohraniti sve podatke?"},"content":{"rendered":"\n

Big Data i Data Analytics: o \u010demu je rije\u010d? <\/strong><\/strong><\/h2>\n\n\n\n

Izrazi \u201cBig Data\u201d i \u201cData Analytics\u201d postali su popularne rije\u010di posljednjih godina. Ali mnogi koji koriste ove pojmove zapravo ne razumiju \u0161to oni zna\u010de, o kojim se mogu\u0107nostima i ograni\u010denjima radi, ili kakvu stvarnu vrijednost sve te informacije mogu imati.<\/p>\n\n\n\n

U ovom \u010dlanku objasnit \u0107emo Vam \u0161to je Big Data. Tako\u0111er \u0107emo \u0107emo raspravljati o nekim od naj\u010de\u0161\u0107ih zamki s kojima se tvrtke susre\u0107u u analizi podataka. I na kraju, raspravljat \u0107emo o tome kako najbolje strukturirati proces analize podataka kako bi se izbjegle takve zamke i kako bi se izvukao maksimum iz dostupnih resursa podataka.<\/p>\n\n\n\n

\u0160to je Big Data?<\/h3>\n\n\n\n

Prije nego \u0161to razgovaramo o najprikladnijim na\u010dinima provo\u0111enja \u201cData Analytics \u201c, va\u017eno je razumjeti pravo zna\u010denje Big Data-a. Izraz Big Data bi mogao biti pogre\u0161an, jer nas doslovni prijevod navodi da mislimo da se jednostavno odnosi na ogromnu koli\u010dinu podataka koju danas imamo na raspolaganju. Ovo je, me\u0111utim, reduktivna definicija pojma.<\/p>\n\n\n\n

Ako je istina da je koli\u010dina dostupnih podataka danas nezamisliva, koncept na koji mislimo kada govorimo o Big Data ili revoluciji<\/strong> velikih podataka je sposobnost koja danas postoji za obradu, analizu i crtanje objektivnih aplikacija iz svih tih podataka, \u0161to sugerira dosad nezamislive obrasce i modele interpretacije.<\/strong>.<\/p>\n\n\n\n

Ovu mogu\u0107nost daju algoritmi<\/strong> sposobni za obradu ogromne koli\u010dine podataka u kratkom vremenu i s malo ra\u010dunalnih resursa.<\/p>\n\n\n\n

Informacije koje bi se danas, algoritmom i jednostavnim prijenosnim ra\u010dunalom mogle obraditi u roku od nekoliko sati, do nedavno bi zahtijevale puno vremena i skupa ra\u010dunala.<\/p>\n\n\n\n

To je Big Data revolucija.<\/strong><\/p>\n\n\n\n

Big Data primjeri<\/strong><\/h3>\n\n\n\n

Revolucija Big Data-a odavno je u\u0161la u na\u0161e \u017eivote, iako je ne primje\u0107ujemo posebno. Uzmimo nekoliko prakti\u010dnih primjera.<\/p>\n\n\n\n

Upotreba velikih podataka u marketingu nalazi se u takozvanim metodama preporuka, poput onih koje Netflix ili Amazon koriste za ponude za prilaz ili kupnju usmjerene na odre\u0111enog korisnika. To se mo\u017ee odraditi sa znanstvenom precizno\u0161\u0107u, jer svi navigacijski podaci korisnika, od kupnje, proizvoda koji se tra\u017ee ili ocjenjuju, omogu\u0107uju sugeriranje najprikladnijih proizvoda i usluga za tu osobu, onih koji \u0107e zasigurno privu\u0107i njegovu pa\u017enju. I tako algoritmi uspijevaju \u201csaznati\u201d \u010dak i ako je \u017eena trudna, na temelju svojih istra\u017eivanja i ponuditi joj ponude i proizvode koji joj mogu poslu\u017eiti.<\/p>\n\n\n\n

Big Data vam omogu\u0107ava pronalazak neobi\u010dne asocijacije: prema nekim istra\u017eivanjima istra\u017eivanja data mining-a, kupci namje\u0161taja osje\u0107ali su ve\u0107u sklonost podmirivanju svojih dugova u utvr\u0111enim vremenima, \u0161to predstavlja idealne klijente za kreditne institucije.<\/p>\n\n\n\n

U svakodnevnom \u017eivotu pronalazimo mnoge druge aplikacije za Big Data.
Na primjer \u2013 o raspore\u0111ivanju policijskih snaga na mjesta i vremena u kojima se zlo\u010dini najvjerojatnije doga\u0111aju.
Ili na prou\u010davanje povezanosti izme\u0111u kvalitete zraka i zdravlja.<\/p>\n\n\n\n

Da biste shvatili opseg mo\u0107i Big Data-a, samo razmislite da je Google jo\u0161 2008. godine uspio predvidjeti prisutnost epidemije gripe na teritorijama Sjedinjenih Dr\u017eava br\u017ee nego \u0161to je to Ministarstvo zdravstva uspjelo u\u010diniti nadgledanjem evidencije bolni\u010dkog prijema javnih i privatnih zdravstvenih ustanova.<\/p>\n\n\n\n

Uloga statistike<\/strong><\/h2>\n\n\n\n

Merriam-Webster definira statistiku kao \u201cgranu matematike koja se bavi prikupljanjem, analizom, interpretacijom i prezentacijom mase broj\u010danih podataka.\u201d Statistika je bitna u analizi podataka.<\/p>\n\n\n\n

Karakteristike podataka<\/strong><\/h2>\n\n\n\n

Karakteristike podataka \u0107e odrediti mogu li se i kako odre\u0111eni podaci koristiti u projektu analize podataka. NIST (Nacionalni institut za standarde i tehnologiju) navodi \u010detiri glavne karakteristike koje podaci moraju imati \u2013 volumen, brzinu, raznolikost i varijabilnost \u2013 kojima Cary, tvrtka za analizu podataka sa sjedi\u0161tem u Sjevernoj Karolini, dodaje petu karakteristiku, naime instinitost.<\/p>\n\n\n\n

VOLUMEN<\/strong>: odnosi se na broj to\u010daka podataka. Pristup naizgled beskona\u010dnim to\u010dkama podataka mo\u017ee zna\u010diti mogu\u0107nost identificiranja karakteristika potro\u0161a\u010da i pona\u0161anja s nevjerojatnim stupnjem to\u010dnosti, ali tro\u0161kovi arhitekture za obradu takvih podataka rastu s volumenom.<\/p>\n\n\n\n

BRZINA<\/strong>: strogo povezana s volumenom, ova zna\u010dajka uzima u obzir brzinu kojom se podaci mogu ili mogu prikupljati.<\/p>\n\n\n\n

RAZNOLIKOST<\/strong>: podaci su dostupni u razli\u010ditim oblicima. Na primjer, preferencije potro\u0161a\u010da mogu se mjeriti pregledom potro\u0161a\u010dkih anketa, nadgledanjem internetskih pretraga ili nadgledanjem odluka o kupnji.<\/p>\n\n\n\n

VARIJABILNOST<\/strong>: promjenjivost se odnosi na promjene podataka tijekom vremena. Te promjene mogu uklju\u010divati brzinu kojom podaci teku, format podataka ili same podatke.<\/p>\n\n\n\n

ISTINITOST<\/strong>: podaci iz razli\u010ditih izvora mogu biti vi\u0161e ili manje pouzdani. Na primjer, potro\u0161a\u010di mogu prijaviti postavke koje ne odgovaraju njihovom stvarnom pona\u0161anju o kupnji. Podaci o prodaji iz nekih izvora mogu biti dvosmisleni ili \u010dak namjerno neto\u010dni. Istinitost se odnosi na kvalitetu podataka.<\/p>\n\n\n\n

\u0160to je analiza podataka (Data Analytics)?<\/strong><\/strong><\/h2>\n\n\n\n

Analiza podataka doslovno zna\u010di analiziranje dostupnih podataka. Mo\u017ee imati razli\u010dite oblike, ovisno o namjeri analize:<\/p>\n\n\n\n

    \n
  • Opisna <\/strong>\u0161to se dogodilo?<\/li>\n\n\n\n
  • Dijagnostika <\/strong>za\u0161to se to dogodilo?<\/li>\n\n\n\n
  • Predvi\u0111anje <\/strong>\u0161to \u0107e se dogoditi?<\/li>\n\n\n\n
  • Preskriptivna <\/strong>\u0161to treba u\u010diniti?<\/li>\n<\/ul>\n\n\n\n

    Slo\u017eenost analize proporcionalno raste od deskriptivne do preskriptivne. Pitanje za deskriptivnu analizu podataka moglo bi biti: \u201cKoliko novaca prosje\u010dni hrvatski potro\u0161a\u010d godi\u0161nje potro\u0161i na odr\u017eavanje automobila?\u201d
    Odgovor se mo\u017ee dobiti relativno lako analiziraju\u0107i dovoljnu koli\u010dinu podataka o navikama potro\u0161nje, a taj je odgovor koristan ako poma\u017ee u odre\u0111ivanju veli\u010dine dostupnog tr\u017ei\u0161ta.<\/p>\n\n\n\n

    Povezano dijagnosti\u010dko pitanje moglo bi biti: \u201cZa\u0161to potro\u0161a\u010di tro\u0161e ovoliku koli\u010dinu novca na odr\u017eavanje automobila? Za\u0161to ne tro\u0161e vi\u0161e ili manje?\u201d To zahtijeva pomnije promatranje podataka i uspostavljanje nekih veza, kao \u0161to su potro\u0161a\u010dke navike pojedinaca pripadnost odre\u0111enim demografskim skupinama, dohodovnim razredima ili zemljopisnim regijama; navike potro\u0161nje za odre\u0111ene vrste odr\u017eavanja automobila ili obim potro\u0161nje kod odre\u0111enih tvrtki u odnosu na druge.<\/p>\n\n\n\n

    Predvi\u0111eno pra\u0107enje bi bilo: \u201cKoje potro\u0161a\u010dke navike \u0107e imati hrvatski potro\u0161a\u010di za odr\u017eavanje automobila u sljede\u0107ih 5 godina?\u201d<\/p>\n\n\n\n

    Kona\u010dno, preskriptivno pitanje: \u201cS obzirom na ono \u0161to vjerujemo da je sada\u0161nje i budu\u0107e stanje tr\u017ei\u0161ta, \u0161to bismo trebali u\u010diniti?\u201d<\/p>\n\n\n\n

    U na\u0161oj hipoteti\u010dkoj analizi tvrtka iz sektora automobilskog odr\u017eavanja koja se suo\u010dava s ovim pitanjem mo\u017ee odlu\u010diti ulo\u017eiti vi\u0161e ulaganja u odre\u0111eno podru\u010dje sektora, usmjeriti se izravno na odre\u0111ene tr\u017ei\u0161ne segmente, usporediti i slijediti najbolje prakse specifi\u010dnih konkurenata ili \u010dak potpuno napu\u0161tanje sektora.<\/p>\n\n\n\n

    Da li je uvijek potrebna analiza Big Data?<\/strong><\/strong><\/h3>\n\n\n\n

    Ono \u0161to razlikuje velike podatke (Big Data) od uobi\u010dajenog uzorka podataka je veli\u010dina i slo\u017eenost upravljanja svim tim podacima. Veliki podaci, po definiciji, sastoje se od ogromnih koli\u010dina podataka koji zahtijevaju ogromnu procesorsku snagu da bi se u\u010dinkovito koristili.<\/p>\n\n\n\n

    Treba li tvrtka provoditi analizu velikih podataka? Ovisi o analizi. Statistika postaje to\u010dnija kako se veli\u010dina skupa podataka pove\u0107ava. A to\u010dno odgovaranje na slo\u017eena pitanja postaje lak\u0161e jer je to\u010dnost temeljnih statisti\u010dkih zaklju\u010daka to\u010dnija.<\/p>\n\n\n\n

    Stoga tvrtka koja treba analizirati stopu kvarova u procesu proizvodnje madraca u posljednje tri godine vjerojatno ne\u0107e morati koristiti velike podatke (Big Data). Me\u0111utim, ako ista tvrtka \u017eeli provesti preskriptivnu analizu u vezi s poslovnim planom za ulazak na tr\u017ei\u0161te vrhunskih madraca jugoisto\u010dne Azije unutar petogodi\u0161njeg razdoblja, mo\u017eda \u0107e trebati velike koli\u010dine podataka kako bi osigurala da su njezine procjene i predvi\u0111anja dovoljno to\u010dne kako bi se opravdao poslovni plan.<\/p>\n\n\n\n

    \u010ceste zamke u analizi podataka<\/strong><\/strong><\/h3>\n\n\n\n

    Tvrtke koje \u017eele iskoristiti prednosti analitike podataka moraju biti svjesne brojnih potencijalnih zamki, imaju\u0107i na umu da bi tvrtka mogla potro\u0161iti ogromne koli\u010dine vremena, novca i drugih resursa na projekt analize podataka s malo ili bez koristi. Ili, jo\u0161 gore, na kraju donijeti ishitrenu odluku. Evo nekoliko pogre\u0161aka na koje treba pripaziti.<\/p>\n\n\n\n

    Nema jasnog cilja<\/strong>: neke tvrtke mogu pomisliti: \u201cAko uspijemo dobiti podatke, odgovor \u0107e se \u010diniti jasnim.\u201d Prikupljanje podataka iz milijardi to\u010daka podataka i njihovo usmjeravanje u crnu kutiju koja izbacuje vrijedne informacije nije ba\u0161 pravi na\u010din za kori\u0161tenje analitike podataka. Tvrtke koje se odlu\u010de za analizu podataka bez jasnog cilja riskiraju tro\u0161enje zna\u010dajnih resursa bez postizanja ikakvog pozitivnog u\u010dinka.<\/p>\n\n\n\n

    Previ\u0161e pretenciozni ciljevi<\/strong>: imati preambiciozan cilj isto mo\u017ee biti zamka Tvrtke moraju razmotriti vlastite resurse i sposobnosti prije definiranja svojih ciljeva analize podataka. Tvrtka s prora\u010dunom od 5000 dolara i jednim zaposlenikom s punim radnim vremenom koji vodi projekt analize podataka ne mo\u017ee realno o\u010dekivati \u200b\u200bda \u0107e predvidjeti trendove preferencija potro\u0161a\u010da u Sjedinjenim Dr\u017eavama za narednu godinu. Ali mo\u017eda \u0107e mo\u0107i identificirati najproduktivnije i najmanje produktivne radne sate na jednoj od svojih proizvodnih linija.<\/p>\n\n\n\n

    Temeljne odluke o neto\u010dnim podacima<\/strong>: kao \u0161to je gore spomenuto, krajnji cilj analize podataka je odrediti ispravan tijek radnje, s obzirom na trenutno i o\u010dekivano stanje stvari. Ako se odluke o ispravnom postupanju temelje na pogre\u0161noj procjeni sada\u0161nje i budu\u0107e situacije, takve bi se odluke mogle pokazati katastrofalnim. To je razlog za\u0161to preskriptivna analitika zahtijeva odgovaraju\u0107e ulaganje u resurse potrebne kako bi se osigurala to\u010dna deskriptivna, dijagnosti\u010dka i prediktivna analitika.<\/p>\n\n\n\n

    Strukturiranje u\u010dinkovitog projekta analize podataka<\/strong><\/strong><\/h2>\n\n\n\n

    Svjesni onoga \u0161to mo\u017ee po\u0107i po zlu, razmislimo sada o klju\u010dnim koracima za strukturiranje u\u010dinkovitog projekta Analize podataka.<\/p>\n\n\n\n

    Postavite jasne ciljeve<\/strong>. Tvrtke koje \u017eele iskoristiti analitiku podataka moraju imati jasne ciljeve. Bez obzira na to je li analiza deskriptivna, dijagnosti\u010dka, prediktivna ili preskriptivna.<\/p>\n\n\n\n

    Formulirajte jasna pitanja<\/strong>. Bilo da se radi o procjeni trenutnog stanja na tr\u017ei\u0161tu ili o odre\u0111ivanju gdje pozicionirati tvrtku tijekom sljede\u0107e godine, va\u017eno je razviti jasna osnovna pitanja. Na primjer, da bi znale za\u0161to potro\u0161a\u010di preferiraju odre\u0111enu marku madraca, tvrtke moraju prvo otkriti koje marke preferiraju, koje su karakteristike tih marki, koje kvalitete potro\u0161a\u010di cijene u odnosu na druge itd.<\/p>\n\n\n\n

    Razviti strategiju za odgovor na ova pitanja<\/strong>. Kako odgovoriti na pitanje o preferencijama potro\u0161a\u010da? Strategija bi mogla uklju\u010divati \u200b\u200bprovo\u0111enje anketa, analizu podataka online istra\u017eivanja i odluka o kupnji, razgovore sa stru\u010dnjacima za potro\u0161a\u010de ili kombinaciju ovih i drugih strategija.<\/p>\n\n\n\n

    Prikupiti podatke<\/strong>. Faza prikupljanja podataka u biti je provedba strategija identificiranih u prethodnoj fazi: provo\u0111enje anketa, prikupljanje podataka o kupnji ili online pretra\u017eivanjima itd.<\/p>\n\n\n\n

    Analizirati<\/strong>. Ovisno o vrsti provedene analize podataka, ovo mo\u017ee biti iznimno slo\u017een korak. Ako je analiza jednostavno deskriptivna, mo\u017ee biti jednostavna kao brojanje ili usrednjavanje. Sve slo\u017eenije \u0161to uklju\u010duje dono\u0161enje zaklju\u010daka o korelacijama u podacima i budu\u0107im predvi\u0111anjima o\u010dito je puno kompliciranije.<\/p>\n\n\n\n

    Ponavljanje<\/strong>. Kao \u0161to je slu\u010daj s mnogim tvrtkama, malo je vjerojatno da \u0107e se na prvi pogled primijetiti to\u010dna analiza podataka. Izvori podataka mo\u017eda nemaju dovoljnu istinitost ili volumen, zaklju\u010dci se mogu temeljiti na neto\u010dnim vezama podataka itd. No ponavljaju\u0107i postupak, u\u010de\u0107i na gre\u0161kama i uvode\u0107i potrebne promjene, tvrtke mogu vremenom ste\u0107i zna\u010dajnu stru\u010dnost u vezi s analizom podataka.<\/p>\n\n\n\n

    Tvrtke imaju na raspolaganju razli\u010dite resurse koje koriste za ostvarivanje profita. Ti resursi mogu uklju\u010divati materijalnu imovinu kao \u0161to su zaposlenici, sirovine, zgrade i oprema. Ali oni uklju\u010duju i nematerijalnu imovinu poput intelektualnog vlasni\u0161tva i podataka. Podaci su dragocjena imovina i mnoge tvrtke to tek po\u010dinju shva\u0107ati.<\/strong><\/p>\n\n\n\n

    Veliki podaci (Big Data) i analitika podataka mogli bi zvu\u010dati kao slo\u017eeni koncepti, samo u dosegu tehnolo\u0161ki najnaprednijih tvrtki, ali u stvarnosti su slo\u017eeni samo u onoj mjeri u kojoj ih odlu\u010dite koristiti. Ako razumijete ove koncepte, mogu\u0107e je precizno i \u200b\u200busko definirati cilj analize podataka i dobiti smislene i u\u010dinkovite rezultate.<\/p>\n\n\n\n

    Klju\u010dno je ne pretjerati s ogromnom koli\u010dinom podataka, ne biti pretjerano ambiciozan s obzirom na ne\u010dije stvarne mogu\u0107nosti i jasno definirati plan projekta analize podataka.<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    Izvori<\/strong>: www.bedtimesmagazine.com<\/em><\/a>, www.cloudtalk.it<\/em><\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

    Big Data i Data Analytics: o \u010demu je rije\u010d?  Izrazi \u201cBig Data\u201d i \u201cData Analytics\u201d postali su popularne […]<\/p>\n","protected":false},"author":4,"featured_media":4285,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"content-type":"","footnotes":""},"categories":[32],"tags":[],"class_list":["post-9073","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-tehnoloski-trendovi"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.fluentis.com\/hr\/wp-json\/wp\/v2\/posts\/9073","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.fluentis.com\/hr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.fluentis.com\/hr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.fluentis.com\/hr\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/www.fluentis.com\/hr\/wp-json\/wp\/v2\/comments?post=9073"}],"version-history":[{"count":2,"href":"https:\/\/www.fluentis.com\/hr\/wp-json\/wp\/v2\/posts\/9073\/revisions"}],"predecessor-version":[{"id":10825,"href":"https:\/\/www.fluentis.com\/hr\/wp-json\/wp\/v2\/posts\/9073\/revisions\/10825"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.fluentis.com\/hr\/wp-json\/wp\/v2\/media\/4285"}],"wp:attachment":[{"href":"https:\/\/www.fluentis.com\/hr\/wp-json\/wp\/v2\/media?parent=9073"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.fluentis.com\/hr\/wp-json\/wp\/v2\/categories?post=9073"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.fluentis.com\/hr\/wp-json\/wp\/v2\/tags?post=9073"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}